分析流程如下所示，根據本課題的數據以及所需要的結果形式，其結果符合要求的為1，不符合的為空，這里我們將不符合數據的定義為0，那么整個系統其實可以等效為一個分類算法，即通過數據挖掘進行分類，即符合需求類1和不符合需求類0，基于這個思路進行設計。

        一般數據挖掘算法流程如下所示：

       第一步,建立模型，確定數據表中哪些列是要用于輸入，哪些是用于預測，選擇用何種算法。這時建立的模型內容是空的，在模型沒有經過訓練之前，計算機是無法知道如何分類數據的。

        第二步，準備模型數據集，例子中的模型數據集就是1000個會員數據。通常的做法是將模型集分成訓練集和檢驗集，比如從1000個會員數據中隨機抽取700個作為訓練集，剩下300個作為檢驗集。

       第三步，用訓練數據集填充模型，這個過程是對模型進行訓練，模型訓練后就有分類的內容了，像例子圖中的樹狀結構那樣，然后模型就可以對新加入的會員事例進行分類了。比如前兩年的數據訓練之后預測第三年的，當進入第四年的時候，使用第二年和第三年的數據進行訓練，從而不斷的更新模型。

       第四步，使用模型對預測集進行預測。

        整個算法的理論如下所示：

        首先，我們需要建立的是一個函數f，該函數滿足如下的需求：

        其中f可以是一個數學公式，也可以是一個抽象的網絡。這里，根據各種實戰經驗，一般對于復雜的情況，一般最后得到的函數f為一個抽象的網絡。

       決策樹是一樹狀結構，它從根節點開始，對數據樣本進行測試，根據不同的結果將數據樣本劃分成不同的數據樣本子集，每個數據樣本子集構成一子節點。生成的決策樹每個葉節點對應一個分類。構造決策樹的目的是找出屬性和類別間的關系，用它來預測將來未知類別的記錄的類別。

根據決策樹分為分類樹和回歸樹兩種，分類樹對離散變量做決策樹，回歸樹對連續變量做決策樹。

決策樹方法中分類的目的是分析輸入數據，通過在訓練集中的數據表現出來的特性，為每一個類找到一種準確的描述或者模型。由此生成的類描述用來對未來的測試數據進行分類。盡管這些未來的測試數據的類標簽是未知的，我們仍可以由此預測這些新數據所屬的類。我們也可以由此對數據中的每一個類有更好的理解�；蛘哒f我們獲得了對這個類的知識。

構造一個決策樹通常分為兩步：樹的生成和剪枝。

決策樹的生成是一個從上至下，是一個遞歸的過程。設數據樣本集S，算法框為如果數據樣本集S中所有樣本都屬于同一類或者滿足其它終止準則, 則S不再劃分，形成葉節點；否則,根據某種策略選擇一個屬性，按照屬性的各個取值對S進行劃分，得到n個子樣本集，記為Si。再對每個Si迭代執行步驟1。經過n 次遞歸, 最后生成決策樹。從根到葉結點的一條路徑就對應著一條規則, 整棵決策樹就對應著一組析取表達式規則。樹構成步驟中, 主要就是找出節點的屬性和如何對屬性值進行劃分。

決策樹生成后面臨的問題是樹的過度細化，特別是存在噪聲數據或不規范屬性時更為突出，決策樹的修剪就是對過度細化的模型進行調整。修剪算法分為前剪枝算法和后剪枝算法兩種。前剪枝算法是在樹的生長過程完成前就進行剪枝。這類算法的優點是在樹的生長同時就進行了剪枝，因而效率高，但是它可能剪去了某些有用但還沒有生成的節點。后剪枝算法是當決策樹的生長過程完成后再進行剪枝。它分為需要單獨剪枝集和不需要單獨剪枝集兩種情況。后剪枝有一些優點,例如,當單個的兩個屬性似乎沒什么用處,但當結合在一起時卻有強大的預測能力,即一種結合效果,在兩個屬性值正確結合時是非常有用的,而單個屬性則沒有用。

聯系：highspeedlogic

QQ ：1224848052

微信：HuangL1121

郵箱：1224848052@qq.com

網站：http://www.mat7lab.com/

網站：http://www.hslogic.com/