评估分类模型的网络数据挖掘实验PPT

选择模型评估方法的 PPT，讲得挺接地气，适合做实验参考用。用训练集、测试集、交叉验证、比例切分这几种方式来评估模型，说得比较明白，是交叉验证的折数设置，讲得还挺细。做机器学习实验的你，拿来当个思维框架还挺有。 交叉验证的部分说得蛮实用，像 10 折、5 折怎么选，用在哪些情况，这 PPT 里基本都提到了。结合下面的相关代码资源，像 EEG 用 KNN 做 10 折验证的例子，就挺有借鉴意义。 训练集和测试集的对比也讲得清楚，尤其是Percentage split的做法，多新手容易忽略这个评估方式，但在数据量比较大时，这种分法其实蛮高效。 你要是用 Weka、Matlab 这类工具跑模型，不妨

在网络数据挖掘实验中，选择合适的分类算法至关重要。

机器学习中的分类模型通过多种常用性能度量来评估其效果。这个函数计算准确度、灵敏度、特异性、精确度、召回率、F度量和G均值等指标。函数的参数包括实际值和预测值，返回一个包含所有性能指标的矩阵。

训练 BANK-DATA 分类模型的 PPT 蛮适合用来入门做分类模型的同学，尤其是搞数据挖掘实验的。这份资源把每个字段都列得清楚，比如income、married这些属性值怎么用，直接就能上手建模型。 字段的解释挺细，比如pep这个目标变量，其实就是在判断客户有没有买 PEP（个人参股计划），挺典型的二分类问题，拿来喂模型训练效果还不错。像car、save_act这些 YES/NO 的字段，起来也简单，适合做个入门实验。 数据结构上也比较友好，数值型字段像age、income，分类型字段像region、sex，你可以顺手用LabelEncoder或者OneHotEncoder来。模型建起来之

分类算法的对比思路挺清晰的，尤其是里面把AdaBoost、Bagging、决策树和规则分类器这几种常见方法都罗列出来，适合刚上手 Weka 的你快速梳理思路。哦，还有一页 PPT 里顺手把J48、ID3、REPTree这些决策树的算法都理了一遍，看一遍印象就挺深了。

在Explorer环境中进行网络数据挖掘实验，是当前研究的一个重要方向。

执行聚类算法时，请点击“开始”按钮，然后进行网络数据挖掘实验。

研究Iris数据集的详细内容

基于贷款数据的分类模型案例 数据: | 姓名 | 年龄 | 收入 | 贷款结果 || -------- | -------- | ------ | -------- || Jones | 年轻 | 低 | 风险 || Bill | 年轻 | 低 | 风险 || Rick Field | 中年 | 低 | 风险 || Caroline Fox | 中年 | 高 | 安全 || Susan Lake | 老年 | 低 | 安全 || Claire Phips | 老年