
第 5 章
分类
数据科学家经常会遇到需要自动做出决策的问题。例如,一封电子邮件是否试图进行钓鱼
式攻击?一名客户是否会流失?一位网络用户是否会点击一个广告?这些问题都可以归为
分类
问题。分类可能是最重要的预测形式,其目标是预测一个记录值是
0
还是
1
(钓鱼式
攻击或非钓鱼式攻击,客户会流失或者不会流失,用户会点击或者不会点击),或者在某
些情况下是预测类别之一(例如,
Gmail
就将收件箱中的邮件分为“主要”“社交”“促销”
和“论坛”类)。
在很多情况下,我们需要的不仅仅是简单的二分类,还需要预测一个实例属于某个类的
概率。
大多数算法并非只是让模型简单地指定一个二分类,而是可以返回属于感兴趣的类的概率
(或倾向)。事实上,在使用
R
实现逻辑回归时,默认输出是对数几率形式的,必须转换为
倾向分值,然后才能使用一个滑动的截止值将倾向分值转换为决策。通用方法如下。
(1)
对感兴趣的类确定一个截止概率值。超过此值,就可以认为记录属于该类。
(2)
估计任何模型中一个记录属于我们感兴趣的类的概率。
(3)
如果该概率值大于所确定的截止概率值,那么可以将新记录指定为感兴趣的类。
截止概率越高,被预测为
1
(即属于感兴趣的类)的记录越少。反之,截止概率越低,被
预测为
1
的记录越多。
本章将介绍一些用于分类和估计倾向性的重要方法。更多关于分类和数值预测的方法,将
在下一章中介绍。
134