决策树分类大一管理学画图都有几种画图类型？决策树是一种还有别的吗？感激不尽！！

分类器的几种基本的分类器

1.决策树分类器　　提供一个属性集合，决策树通过在属性集的基础上作出一系列的决策，将数据分类。

这个过程类似于通过一个植物的特征来辨认植物。

可以应用这样的分类器来判定某人的信用程度，比如，一个决策树可能会断定“一个有家、拥有一辆价值在1.5 万到2.3 万美元之间的轿车、有两个孩子的人”拥有良好的信用。

决策树生成器从一个“训练集”中生成决策树。

SGI 公司的数据挖掘工具MineSet 所提供的可视化工具使用树图来显示决策树分类器的结构，在图中，每一个决策用树的一个节点来表示。

图形化的表示方法可以帮助用户理解分类算法，提供对数据的有价值的观察视角。

生成的分类器可用于对数据的分类。

　　2. 选择树分类器　　选择树分类器使用与决策树分类器相似的技术对数据进行分类。

与决策树不同的是，选择树中包含特殊的选择节点，选择节点有多个分支。

比如，在一棵用于区分汽车产地的选择树中的一个选择节点可以选择马力、汽缸数目或汽车重量等作为信息属性。

在决策树中，一个节点一次最多可以选取一个属性作为考虑对象。

在选择树中进行分类时，可以综合考虑多种情况。

选择树通常比决策树更准确，但是也大得多。

选择树生成器使用与决策树生成器生成决策树同样的算法从训练集中生成选择树。

MineSet 的可视化工具使用选择树图来显示选择树。

树图可以帮助用户理解分类器，发现哪个属性在决定标签属性值时更重要。

同样可以用于对数据进行分类。

　　3. 证据分类器　　证据分类器通过检查在给定一个属性的基础上某个特定的结果发生的可能性来对数据进行分类。

比如，它可能作出判断，一个拥有一辆价值在1.5 万到2.3 万美元之间的轿车的人有70 %的可能是信用良好的，而有30 %的可能是信用很差。

分类器在一个简单的概率模型的基础上，使用最大的概率值来对数据进行分类预测。

与决策树分类器类似，生成器从训练集中生成证据分类器。

MineSet 的可视化工具使用证据图来显示分类器，证据图由一系列描述不同的概率值的饼图组成。

证据图可以帮助用户理解分类算法，提供对数据的深入洞察，帮助用户回答像“如果... 怎么样 一类的问题。

同样可以用于对数据进行分类。

用于数据挖掘的分类算法有哪些，各有何优劣

1. C4.5 C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. 2. The k-means algorithm 即K-Means算法 k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。

它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。

它假设对象属性来自于空间向量，并且目标是使各个群组内部的均 方误差总和最小。

3. Support vector machines 支持向量机，英文为Support Vector Machine，简称SV机（论文中一般简称SVM）。

它是一种监督式学习的方法，它广泛的应用于统计分类以及回归分析中。

支持向量机将向量映射到一个更 高维的空间里，在这个空间里建立有一个最大间隔超平面。

在分开数据的超平面的两边建有两个互相平行的超平面。

分隔超平面使两个平行超平面的距离最大化 4.The Apriori algorithm Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。

其核心是基于两阶段频集思想的递推算法。

该关联规则在分类上属于单维、单层、布尔关联规则。

在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。

5.最大期望(EM)算法 在统计计算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然 估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）。

最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。

分类和聚类的区别及各自的常见算法

1、分类和聚类的区别： Classification (分类)，对于一个classifier，通常需要你告诉它“这个东西62616964757a686964616fe58685e5aeb931333363386166被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做supervised learning (监督学习)， Clustering (聚类)，简单地说就是把相似的东西分到一组，聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起。

因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了，因此 clustering 通常并不需要使用训练数据进行学习，这在Machine Learning中被称作unsupervised learning (无监督学习). 2、常见的分类与聚类算法 所谓分类，简单来说，就是根据文本的特征或属性，划分到已有的类别中。

如在自然语言处理NLP中，我们经常提到的文本分类便就是一个分类问题，一般的模式分类方法都可用于文本分类研究。

常用的分类算法包括：决策树分类法，朴素贝叶斯分类算法(native Bayesian classifier)、基于支持向量机(SVM)的分类器，神经网络法，k-最近邻法(k-nearestneighbor，kNN)，模糊分类法等等。

分类作为一种监督学习方法，要求必须事先明确知道各个类别的信息，并且断言所有待分类项都有一个类别与之对应。

但是很多时候上述条件得不到满足，尤其是在处理海量数据的时候，如果通过预处理使得数据满足分类算法的要求，则代价非常大，这时候可以考虑使用聚类算法。

而K均值(K-mensclustering)聚类则是最典型的聚类算法(当然，除此之外，还有很多诸如属于划分法K中心点（K-MEDOIDS）算法、CLARANS算法；属于层次法的BIRCH算法、CURE算法、CHAMELEON算法等；基于密度的方法：DBSCAN算法、OPTICS算法、DENCLUE算法等；基于网格的方法：STING算法、CLIQUE算法、WAVE-CLUSTER算法；基于模型的方法)。

id3算法和c4.5算法的区别

ID3算法是决策树的一个经典的构造算法，在一段时期内曾是同类研究工作的比较对象，但通过近些年国内外学者的研究，ID3算法也暴露出一些问题，具体如下： (1)信息增益的计算依赖于特征数目较多的特征，而属性取值最多的属性并不一定最优。

(2)ID3是非递增算法。

(3)ID3是单变量决策树(在分枝节点上只考虑单个属性)，许多复杂概念的表达困难，属性相互关系强调不够，容易导致决策树中子树的重复或有些属性在决策树的某一路径上被检验多次。

(4)抗噪性差，训练例子中正例和反例的比例较难控制。

于是Quilan改进了ID3，提出了C4.5算法。

C4.5算法现在已经成为最经典的决策树构造算法，排名数据挖掘十大经典算法之首，下一篇文章将重点讨论。

决策树的经典构造算法——C4.5（WEKA中称J48） 由于ID3算法在实际应用中存在一些问题，于是Quilan提出了C4.5算法，严格上说C4.5只能是ID3的一个改进算法。

C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进： 1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； 2) 在树构造过程中进行剪枝； 3) 能够完成对连续属性的离散化处理； 4) 能够对不完整数据进行处理。

C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。

其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。

此外，C4.5只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时程序无法运行。

另外，无论是ID3还是C4.5最好在小数据集上使用，决策树分类一般只试用于小数据。

当属性取值很多时最好选择C4.5算法，ID3得出的效果会非常差。

为什么朴素贝叶斯称为“朴素”?请简述朴素贝叶斯分类的主要思想

朴素贝叶斯分类器是一种应用基于独立假设的贝叶斯定理的简单概率分类器。

之所以成为朴素，应该是Naive的直译，意思为简单，朴素，天真。

朴素贝叶斯分类是最常用的两大分类算法（决策树分类和朴素贝叶斯分类）。

分类是将一个未知样本分到几个预先已知类的过程。

朴素贝叶斯分类是基于贝叶斯概率的思想，假设属性之间相互独立，例如A和B，则P（B|A）代表A发生的情况下，B发生的概率。

具体的情况可以参见 刘未鹏大牛写的《数学之美番外篇：平凡而又神奇的贝叶斯方法》

大一管理学画图都有几种画图类型？决策树是一种还有别的吗？感激不尽！！

可能还会画个组织结构图吧，比如直线型的、职能型的等等。

　　组织结构的概念有广义和狭义之分。

狭义的组织结构，是指为了实现组织的目标，在组织理论指导下，经过组织设计形成的组织内部各个部门、各个层次之间固定的排列方式，即组织内部的构成方式。

广义的组织结构，除了包含狭义的组织结构内容外，还包括组织之间的相互关系类型，如专业化协作、经济联合体、企业集团等。

　　所谓组织结构，就是组织内部对工作的正式安排。