统计方法：包括贝叶斯法和非参数法等。 机器学习方法：包括决策树法和规则归纳法。 神经网络方法。 其他，如粗糙集等（在前面绪论中也介绍了相关的情 况）。
2
分类方法的类型
从使用的主要技术上看，可以把分类方法归结为 四种类型：
基于距离的分类方法 决策树分类方法 贝叶斯分类方法 规则归纳方法。
3
分类问题的描述
2．使用模型进行分类
首先评估模型（分类法）的预测准确率。 如果认为模型的准确率可以接受，就可以用它对类标号 未知的数据元组或对象进行分类。
5
四 分类方法
分类的基本概念与步骤 基于距离的分类算法 决策树分类方法 贝叶斯分类 规则归纳
6
基于距离的分类算法的思路
定义4 定义4-2 给定一个数据库 D={t1，t2，…，tn}和一 ， 组类C={C1，…，Cm}。假定每个元组包括一些数 ， 值型的属性值： 值型的属性值：ti={ti1，ti2，…，tik}，每个类也包 ， 含数值性属性值： 含数值性属性值：Cj={Cj1，Cj2，…，Cjk}，则分 ， 类问题是要分配每个t 类问题是要分配每个ti到满足如下条件的类Cj：
P( X | C i ) = ∏ P( xk | C i )
k =1 n
14
朴素贝叶斯分类(续)
可以由训练样本估值。 其中概率P(x1|Ci)，P(x2|Ci)，……，P(xn|Ci)可以由训练样本估值。 ，
是离散属性， 如果Ak是离散属性，则P(xk|Ci)=sik|si，其中sik是在属性Ak上具有值xk的 的训练样本数， 类Ci的训练样本数，而si是Ci中的训练样本数。 中的训练样本数。 如果Ak是连续值属性，则通常假定该属性服从高斯分布。因而， 是连续值属性，则通常假定该属性服从高斯分布。因而，
