Clasificacion y prediccion de mineria de datos

Clasificación y P6rediction 

Bases de datos son ricos en información oculta que puede ser utilizado para la toma de decisiones inteligentes. Clasificación y la predicción son dos formas de análisis de los datos que se pueden utilizar para extraer los modelos que describen las clases de datos importantes o para predecir las tendencias futuras de datos. Este análisis puede ayudar a darnos unamejor comprensión de los datos en general. Mientras que la clasificación predice categórico (discreto, sin orden) las etiquetas, los modelos de predicción continua de funciones con valores. Por ejemplo, podemos construir un modelo de clasificación para categorizar las aplicaciones de préstamos bancarios como seguros o de riesgo, o un modelo de predicción para predecir el gasto en dólares de losclientes potenciales en los equipos informáticos debido a su ingreso y la ocupación. Muchos métodos de clasificación y predicción han sido propuestos por los investigadores en aprendizaje de máquinas, reconocimiento de patrones, y las estadísticas. La mayoría de los algoritmos son la memoria 
residentes, por lo general asumiendo un tamaño pequeño de datos. La investigación reciente de minería dedatos se ha basado en dicho trabajo, el desarrollo de la clasificación escalable y técnicas de predicción capaz de manejar grandes residentes en disco de datos. 

En este capítulo, usted aprenderá las técnicas básicas para la clasificación de datos, tales como la construcción de clasificadores de árboles de decisión, clasificadores bayesianos, redes bayesianas creencia, y rulebased clasificadores. Backpropagation (una técnica de redes neuronales) también se discute, además de un enfoque más reciente de la clasificación conocida como máquinas de vectores soporte. Clasificación basada en la asociación minera regla es explorado.Otros enfoques de la clasificación, como el k-vecino más cercano de los clasificadores, razonamiento basado en casos, algoritmos genéticos, 
establece en bruto, y lastécnicas de lógica difusa, se introduced.Methods para la predicción, incluyendo regresión lineal, regresión no lineal, y otros modelos basados ​​en la regresión, se describen brevemente discussed.Where aplicable, usted aprenderá acerca de las extensiones a estas técnicas para su aplicación a la clasificación y predicción en grandes bases de datos. Clasificación y predicción tienen numerosasaplicaciones, incluyendo la detección del fraude, el marketing de destino, la predicción del rendimiento, la fabricación y el diagnóstico médico.

6.1 ¿Qué es la clasificación? ¿Qué es la predicción?

Un agente de préstamos bancarios análisis de las necesidades de sus datos con el fin de aprender que los solicitantes de préstamos son "seguros" andwhichare "de riesgo" para el banco.Un gerente demarketing de AllElectronics necesidades de análisis de datos para ayudar a adivinar si un cliente con un perfil determinado va a comprar un equipo nuevo. Un investigador médico quiere analizar los datos de cáncer de mama con el fin de predecir que uno de los tres tratamientos específicos de un paciente debe recibir. En cada uno de estos ejemplos, la tarea de análisis de datos es la clasificación,donde se construye un modelo o clasificador para predecir las etiquetas de categorías, como "seguros" o "de riesgo" para los datos de solicitud de préstamo; "sí" o "no" para la comercialización  datos, o "el tratamiento A", "B tratamiento", o "tratamiento C" de los datos médicos. Estas categorías pueden ser representados por valores discretos, que el orden de los valores no tiene sentido.Por ejemplo,los valores de 1, 2 y 3 pueden utilizarse para representar a los tratamientos A, B y C, donde no hay orden implícita entre este grupo de regímenes de tratamiento. 

Supongamos que el gerente de marketing gustaría poder predecir la cantidad de un determinado cliente a pasar durante una venta en AllElectronics. Esta tarea de análisis de datos es un ejemplo de la predicción numérica, donde el...