绝对是谨慎提交的博客

本文主要分享了一些回归及分类模型评估的指标和方法，并且附上了一些对于指标构建的思路，通过一些图解来加深对指标的印象。

k近邻法是一种基本分类与回归问题。k近邻法的输入为实例的特征向量，对应于特征空间中的点；输出为实例的类别，可以取很多类。k近邻法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其 k个最近邻的训练实例的类别，通过多数表决等方式进行预测。因此，k近邻法不具有显式的学习过程。k近邻法实际上利用训练数据集对特征向量空间进行划分，并作为其分类的“模型”。k近邻法的三个要素是k值的选择、距离度量及分类决策规则。

朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类方法（朴素贝叶斯法与贝叶斯估计是不同的概念）。对于给定的训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对个给定的输入 x，利用贝叶斯定理求出后验概率最大的输出 y。朴素贝叶斯方法实现简单，学习与预测的效率都很高，是一种常用的方法。

关联分析是一种无监督的机器学习方法，常用于知识发现而非预测。本文从以下几个方面进行叙述： - 频繁项 Frequent Patterns - 关联挖掘方法 Association Mining Methods - apriori - ECLAT - 关联规则 Association Rules - 评价方法 Correlations-Pattern Evaluation Methods