数据挖掘的应用决策树神经网络Autosav.pptx

该【数据挖掘的应用决策树神经网络Autosav 】是由【fanluqian】上传分享，文档一共【31】页，该文档可以免费在线阅读，需要了解更多关于【数据挖掘的应用决策树神经网络Autosav 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。单击此处添加副标题
----决策树
----神经网络
数据挖掘在优化中的应用
数据挖掘解释
数据挖掘，又称为数据库中知识发现（Knowledge discovery from database，简称KDD），它是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的复杂过程。数据挖掘的全过程定义描述如下:
分类(classification)；
估计(estimation)；
预测(prediction)；
关联分组(affinity grouping)；
聚类(clustering)。
数据挖掘的功能
数据挖掘功能与模型
常用模型
决策树：该模型常常可以用来检验、预测离散型的数据。如客户的信用等级，贷款的优良与否等等。
人工神经网络：这是对人体大脑的模拟. 该方法利用隐藏的一到两层，对数据进行分类或预测。但是速度比较慢。
多元回归：主要用于处理连续型的自变量和应变量，并可用于预测和其他分析。
Logistic 回归：与线性回归类似，但处理离散型的应变量比较合适
K-means和聚类分析：主要用于分类
Kohonen self-organizing maps:是一种类似神经网络，但主要用于聚类的分析工具。
关联准则：主要用于寻找在数据中频繁发生的记录间的关系，并可用于预测。
数据挖掘的应用
决策树的应用—Link Adaption优化
神经网络的应用—TDMR的定位
决策树的概念
所谓决策树就是一个类似流程图的树型结构，其中树的每个内部结点代表对一个属性（取值）的测试，其分支就代表测试的每个结果；而树的每个叶结点就代表一个类别。树的最高层结点就是根结点.
类别型
数值型
应用场景
一条直线或者简单的曲线很难将内容分割
两者关系很难通过其它函数关系不明确,难以建立映射.
决策树生成方法
找出起始的分隔 :
用来评估一个分隔数的衡量标准是分散度（diversity）。分散度指标（index of diversity）很高，表示这个组合中包含平均分配到多個類別，而分散度指标很低则表示一个单一类別的成员居优势。
最好的分隔变数是能夠降低一个組的分散度，而且降得最多。即下面式子最大化： 
分散度（分隔前）－﹝分散度（分隔后左边子集
合）＋分散度（分隔后右边子集合）﹞
数据业务对语音的影响
数据对业务信道的挤占,造成语音半速率比例增加, MOS值的下降,影响用户的感受;
数据对业务信道挤占的同时,与语音共享频率资源,对语音质量的影响;
数据对公共信道的挤占,造成寻呼的负荷增加,影响语音业务的被叫;
如何改善?
提高单时隙的传输数据效率,减小数据占用信道的时间,改善对语音的影响!
如何改善?
减少数据对公共信道资源的挤占，增加公共信道资源的容量!
合理分配数据和语音对频率资源的占用,让语音占用更好的频率资源!
1
2
3
4
5
6