Реферат Error: Reference source not found введение

Задание 3: Построение ассоциативных правил.

Метод Априори.

: 0.9

Number of cycles performed: 12

Generated sets of large itemsets:

Size of set of large itemsets L(1): 7

Size of set of large itemsets L(2): 13

Size of set of large itemsets L(3): 9

Size of set of large itemsets L(4): 1

Best rules found:

1. relationship=Husband 163 ==> marital-status=Married-civ-spouse sex=Male 163 conf:(1)

2. marital-status=Married-civ-spouse relationship=Husband 163 ==> sex=Male 163 conf:(1)

3. marital-status=Married-civ-spouse sex=Male 163 ==> relationship=Husband 163 conf:(1)

4. relationship=Husband sex=Male 163 ==> marital-status=Married-civ-spouse 163 conf:(1)

5. relationship=Husband 163 ==> sex=Male 163 conf:(1)

6. relationship=Husband 163 ==> marital-status=Married-civ-spouse 163 conf:(1)

7. marital-status=Married-civ-spouse 172 ==> relationship=Husband sex=Male 163 conf:(0.95)

8. marital-status=Married-civ-spouse 172 ==> sex=Male 163 conf:(0.95)

9. marital-status=Married-civ-spouse 172 ==> relationship=Husband 163 conf:(0.95)

10. race=White 341 ==> native-country=United-States 311 conf:(0.91)

Выводы:

1. из 163 мужей семейное положение «женат» и мужской пол имеют 163 с достоверностью 100%;

2-6. правила со второго и вплоть до 7го схожи;

7. из 172 женатых людей, статус «муж» и мужской пол имеют 163 с достоверностью 95%;

8. из 172 женатых людей статус «мужа» имеют 163 с достоверностью 95%;

9. из 172 женатых людей мужской пол имеют 163 с достоверностью 95%;

10. из 341 белого, в США родились 311 с достоверностью 91%.

При изменении метрики правила меняются полностью.

В настройках метода устанавливалось создание 10 ассоциативных правил. Данный алгоритм определяет часто встречающиеся наборы, соответственно самыми точными являются самые часто встречающиеся наборы, но не все они, как видно, не все они имеют смысл. Показываются наборы с метрикой больше минимальной.

ИТОГ

Метод	Точность классификации, %	Средняя ошибка, %
NAIVE BAYES	84.75	15.25
J4.8	82.75	17.25
ID3	72.75	17.25
1R(OneR)	81.5	18.5
SVM (SMO)	84.5	15.5

Из сравнения методов видно, что с большей точностью объекты классифицируют алгоритмы NAIVE BAYES и SVM (SMO). SVM (SMO) более точен, но сложен для чтения информации.

ID3 оказался не удобным для реализации, т.к. ему необходимы численные переменные и он не допускает пустых элементов, что приводит к необходимости использовать фильтры.

ЗАКЛЮЧЕНИЕ

В результате работы были исследованы методы классификации и построения ассоциативных правил. Исходным набором данных в нашем случае являлась перепись населения в США, в которой классификация производилась по доходам населения.

НАБОР ДАННЫХ

datamining400-57

Москва 2008