4、数据挖掘与向量空间基础

数据挖掘与向量空间基础

在数据挖掘和机器学习领域，构建有效的分类器是一个重要目标。为了实现这一目标，我们需要采用更数学化的方法来描述数据对象，特别是涉及到对象之间的相似性、差异性以及对象组之间的可分离性等问题。本文将介绍如何从数据集过渡到向量空间，以及向量和向量空间的基本概念。

1. 知识发现环境中的问题与实践

在知识发现环境中，我们常常会遇到一些基本问题，这些问题有助于我们深入了解数据集。以下是一些常见问题及相关实践：
- 数据集基本信息查询
- 依赖属性类的级别 ：了解依赖属性类包含哪些级别，这有助于我们对数据进行分类和分析。
- 每个级别下的观测数量 ：明确每个属性类级别下的观测数量，这对于评估数据的分布和平衡性很重要。
- 属性的基本统计信息 ：查找并报告每个属性的基本统计信息，如均值、方差等，帮助我们了解数据的特征。
- 独立属性之间的相关性 ：使用WEKA的可视化屏幕来判断独立属性之间是否存在高度相关性。
- 支持向量机分类器构建
- 使用WEKA构建鸢尾花数据集分类器 ：利用WEKA的SMO实现为鸢尾花数据集构建支持向量机分类器，并使用默认参数。评估该模型在训练数据上是否存在误分类情况。
- 在R中加载并分析鸢尾花数据集 ：在R中使用 data(iris) 命令加载鸢尾花数据集，