Page 122 - 计算机应用软件开发技术研究

计算机应用软件开发技术研究
Research on Computer Application Software Development Technology

案例学习、解释学习、文本挖掘、图像挖掘、Web 挖掘等。
基于学习目标的分类：
①概念学习：学习的目标和结果为概念，或者说是为了获得概念的学习。典

型的概念学习主要有示例学习。
②规则学习：学习的目标和结果为规则，或者为了获得规则的学习。典型规
则学习主要有决策树学习。
③函数学习：学习的目标和结果为函数，或者说是为了获得函数的学习。典

型函数学习主要有神经网络学习。
④类别学习：学习的目标和结果为对象类，或者说是为了获得类别的学习。
典型类别学习主要有聚类分析。
⑤贝叶斯网络学习：学习的目标和结果是贝叶斯网络，或者说是为了获得贝

叶斯网络的一种学习。其又可分为结构学习和多数学习。
（三）常见算法
1.决策树算法
决策树及其变种是一类将输入空间分成不同的区域，每个区域有独立参数的

算法。决策树算法充分利用了树形模型，根节点到一个叶子节点是一条分类的路
径规则，每个叶子节点象征一个判断类别。先将样本分成不同的子集，再进行分
割递推，直至每个子集得到同类型的样本，从根节点开始测试，到子树再到叶子
节点，即可得出预测类别。此方法的特点是结构简单、处理数据效率较高。

2.朴素贝叶斯算法
朴素贝叶斯算法是一种分类算法。它不是单一算法，而是一系列算法，它
们都有一个共同的原则，即被分类的每个特征都与任何其他特征的值无关。朴素
贝叶斯分类器认为这些“特征”中的每一个都独立的贡献概率，而不管特征之间

的任何相关性。然而，特征并不总是独立的，这通常被视为朴素贝叶斯算法的缺
点。简而言之，朴素贝叶斯算法允许我们使用概率给出一组特征来预测一个类。
与其他常见的分类方法相比，朴素贝叶斯算法需要的训练很少。在进行预测之前
必须完成的唯一工作是找到特征的个体概率分布的参数，这通常可以快速且确定

地完成。这意味着即使对于高维数据点或大量数据点，朴素贝叶斯分类器也可以
表现良好。

·110·