服刑人员再犯罪预测的大数据挖掘方法概述

分类是指把数据样本映射到一个事先定义的类中的学习过程，即给定一组输入的属性向量及其对应的类，用基于归纳的学习算法得出分类。分类也即是构造一个分类模型，通过对输入样本数据的属性值进行训练，输出对应的类别，将每个样本映射到预先定义好的类别，从而得到预测数据对象的分类标号（或离散值），分类模型形式化描述如下：

分类模型的构造过程一般分为训练和测试两个阶段。在构造模型之前，要求将历史数据集随机地分为训练数据集和测试数据集。在训练阶段，通过选择某种分类算法对训练数据集进行训练，得到分类模型。训练数据集通常由多个属性描述的一条条数据元组来组成，假定每个元组属于一个预定义的类，由一个称作类标号属性的属性来确定。训练数据集中的单个元组也称作训练样本，包含若干个属性（Attribute）；此外，还包含一个预先定义好的类标签与之对应，组成一个特征向量。一个具体样本的形式可为：（a1，a2，…，an；c）；其中ai表示属性值，c表示类别。由于提供了每个训练样本的类标号，分类也被称为有指导的学习或有监督的学习。通常，模型用分类规则、判定树或数学公式的形式提供。测试阶段，在测试数据集上使用评估指标对模型的分类效果进行评估，如果认为模型分类效果可以接受，就可以用该模型对未知类别的新数据元组进行分类，分类模型分类示意图见图5-8所示。

(www.xing528.com)

图5-8　分类模型示意图

分类模型的测试和评估相关内容见本书2.4.5评估与优化模型中“2.分类模型的评估”。分类模型有两个主要作用：第一，描述性建模，即作为解释性的工具，用于区分不同类中的对象；第二，预测性建模，即用于预测未知数据元组的类标号。

常用的分类算法包括：逻辑回归算法、k近邻算法、朴素贝叶斯分类算法、基于支持向量机的SVM算法、决策树分类算法、神经网络算法等，随后会对这些算法进行详细的介绍。