数据挖掘题目:根据规则模板和信息表找出R中的所有强关联规则,基于信息增益、利用判定树进行归纳分类,计算信息熵的代码

一、(30分)设最小支持度阈值为0.2500, 最小置信度为0.6500。对于下面的规则模板和信息表找出R中的所有强关联规则:

S∈R,P(S,x )∧ Q(S,y )==> Gpa(S,w ) s, c

其中,P,Q ∈{ Major, Status ,Age }.

Major Status Age Gpa Count
Arts Graduate Old Good 50
Arts Graduate Old Excellent 150
Arts Undergraduate Young Good 150
Appl_ science Undergraduate Young Excellent
Science Undergraduate Young Good 100

解答:

样本总数为500,最小支持数为500*0.25 = 125。

在Gpa取不同值的情形下,分别讨论。

(1)Gpa = Good,

Major Status Age Count
Arts Graduate Old 50
Arts Undergraduate Young 150
Science Undergraduate Young 100

频繁1项集L1 = {Major= Arts:200; Status=Undergraduate: 250; Age = Young:250} -----10分

频繁2项集的待选集C2={Major= Arts,Status= Undergraduate:150; Major= Arts,Age=Young:150;Status=Undergraduate, Age=Young:250 }

频繁2项集L2=C2

(2) Gpa = Excellent

Major Status Age Count
Arts Graduate Old 150
Appl_science Undergraduate Young 50

频繁1项集L1 = {Major= Arts:150; Status=Graduate: 150; Age = Old:250}

频繁2项集的待选集C2={Major= Arts,Status= Graduate:150; Major= Arts,Age=Old:150;Status=Graduate, Age=Old:150 }

频繁2项集L2=C2

考察置信度:

Major(S,Arts)^Status(S,Undergraduate)=>Gpa(S,Good) s=150/500=0.3000, c=150/150=1.0000

Major(S, Arts)^Age(S,Young)=>Gpa(S, Good)s=150/500=0.3000, c=150/150=1.0000

Status(S,Undergraduate)^Age(S,Young)=>Gpa(S,Good) s=250/500=0.5000, c=250/300=0.8333

Major(S, Arts)^Status(S,Graduate)=>Gpa(S, Excellent)s=150/500=0.3000, c=150/200=0.7500

Major(S, Arts)^Age(S,Old)=>Gpa(S, Excellent)s=150/500=0.3000, c=150/200=0.7500

Status(S,Graduate)^Age(S,Old)=>Gpa(S,Excellent) s=150/500=0.3000, c=150/200=0.7500

因此,所有强关联规则是:

Major(S,Arts)^Status(S,Undergraduate)=>Gpa(S,Good) s=150/500=0.3000, c=150/150=1.0000

Major(S, Arts)^Age(S,Young)=>Gpa(S, Good)s=150/500=0.3000, c=150/150=1.0000

Status(S,Undergraduate)^Age(S,Young)=>Gpa(S,Good) s=250/500=0.5000, c=250/300=0.8333

Major(S, Arts)^Status(S,Graduate)=>Gpa(S, Excellent)s=150/500=0.3000, c=150/200=0.7500

Major(S, Arts)^Age(S,Old)=>Gpa(S, Excellent)s=150/500=0.3000, c=150/200=0.7500

Status(S,Graduate)^Age(S,Old)=>Gpa(S,Excellent) s=150/500=0.3000, c=150/200=0.7500

二、(30分)设类标号属性 Gpa 有两个不同的值( 即{ Good, Excellent } ), 基于信息增益,利用判定树进行归纳分类。

解答:

定义P: Gpa = Good

N: Gpa = Excellent

任何分割进行前,样本集的熵为:

p n I(p,n)
300 200 0.97095

I(p,n)=-0.6log2(0.6) --0.4log2(0.4)

= 0.97095

考虑按属性Major分割后的样本的熵

Major pi ni I(pi,ni)
Arts 200 150 0.98523
Appl_science 0 50 0
Science 100 0 0

E(Major) = 350/500*0.98523 = 0.68966

I(p,n)=-(4/7)log2(4/7) --(3/7)log2(3/7) =0.98523

考虑按属性Status分割后的样本的熵

Status pi ni I(pi,ni)
Graduate 50 150 0.81128
Undergraduate 250 50 0.65002

E(Status) = 200/5000.81128+300/5000.65002 = 0.71452

考虑按属性Age分割后的样本的熵

Age pi ni I(pi,ni)
Old 50 150 0.81128
Young 250 50 0.65002

E(Age) = E(Status) = 0.71452

各属性的信息增益如下:

Gain(Major) =0.97095-0.68966 = 0.28129

Gain(Status) =Gain(Age) =0.97095-0.71452 = 0.25643

比较后,由于Gain(Major)的值最大,按照最大信息增益原则,按照属性Major的不同取值进行第一次分割.

分割后,按照Major的不同取值,得到下面的3个表:

(1)Major = Arts

Status Age Gpa Count
Graduate Old Good 50
Graduate Old Excellent 150
Undergraduate Young Good 150

考虑按属性Status分割后的样本的熵

Status pi ni I(pi,ni)
Graduate 50 150 0.81128
Undergraduate 150 0 0

E(Status) = 200/350*0.81128= 0.46359

考虑按属性Age分割后的样本的熵

Status pi ni I(pi,ni)
Old 50 150 0.81128
Young 150 0 0

E(Age) = E(Status)= 0.46359

由于E(Age) = E(Status),可按照属性Status的不同取值进行第二次分割。分割后,按照Status的不同取值,得到下面的2个表:

(1.1) Status =Graduate

Age Gpa Count
Old Good 50
Old Excellent 150

由于表中属性Age的取值没有变化,停止分割。按照多数投票原则,该分支可被判定为Gpa=Excellent。

(1.2)Status = Undergraduate

Status Age Gpa Count
Undergraduate Young Good 150

在这种情形下,所有样本的Gpa属性值都相同.停止分割.

(2)Major= Appl_Science

Status Age Gpa Count
Undergraduate Young Excellent 50

在这种情形下,所有样本的Gpa属性值都相同.停止分割.

(3)Major=Science

Status Age Gpa Count
Undergraduate Young Good 100

在这种情形下,所有样本的Gpa属性值都相同.停止分割.

综合以上分析,有以下的判定树:

Major--------- Arts ----------Status-------Graduate ------Excellent

\ ______Undergraduate______Good

_______Appl_Science_______________________Excellent

__________Science______________________Good

小 tricks

计算信息熵的代码

python 复制代码
import math

def entropy(probabilities):
    total = sum(probabilities)
    probabilities= [p / total for p in probabilities]
    entropy = 0
    for p in probabilities:
        if p > 0:
            entropy -= p * math.log2(p)
    return entropy

probabilities = [100,100,150]#计算100 100 150的信息熵

result = entropy(probabilities)
print("信息熵:", result)
相关推荐
枫叶林FYL42 分钟前
【强化学习】 12 EMO-R3:反思式强化学习——多模态大模型的情感推理框架
人工智能·数据挖掘
qingyulee4 小时前
投满分项目—新闻分类
人工智能·分类·数据挖掘
YangYang9YangYan17 天前
2026初入职场学习数据分析的价值
学习·数据挖掘·数据分析
有Li17 天前
PTCMIL:基于提示 token 聚类的全切片图像多实例学习分析文献速递/多模态医学影像最新进展
论文阅读·学习·数据挖掘·聚类·文献·医学生
数睿数据无代码开发17 天前
打破数据孤岛:深度解析 smardaten 数据连接器核心功能
数据挖掘·无代码
jarreyer17 天前
【数据分析绘图】excel绘图和bi工具区别
数据挖掘·数据分析·excel
天行健,君子而铎17 天前
自适应分类·高准确率·可视化易用——运营商数据分类分级解决方案
大数据·分类
装不满的克莱因瓶17 天前
了解多标签图像分类方法——从Sigmoid输出到真实世界复杂视觉理解
人工智能·pytorch·python·深度学习·机器学习·分类·数据挖掘
babe小鑫17 天前
大数据专业课难度高,学数据分析的价值
大数据·数据挖掘·数据分析