数据挖掘分类算法的学习总结( 五 ) _数据挖掘

（1）本文对数据挖掘中的分类问题进行简要概述，又介绍了分类问题可以分为学习阶段和分类阶段两个过程，同时说明对于二分类问题的算法性能评估指标：准确率、精确率、召回率和F1值，同时也包括非分类精度的度量：速度、鲁棒性、可伸缩性和可解释性。
（2）本文介绍了目前数据挖掘常用的分类算法的基本思想和优缺点，包括：决策树算法、朴素贝叶斯算法、神经网络算法、SVM算法和KNN算法。不同的分类算法各有特点，应根据实际应用场景选择合适的算法以确保最佳的分类效果。
（3）本文通过阅读过的两篇文献，从医学图像和需求分类两个角度简单介绍了数据挖掘分类算法的实际应用，在不同领域中分类算法均取得了令人满意的分类效果。
在学习数据挖掘的分类算法过程中，笔者曾将分类和聚类的概念混淆，现将两个概念的区别总结如下：
（1）分类属于有监督的算法，而聚类是无监督的算法；
（2）分类时类别是已经预先定义好的，而聚类时某个对象所属类别并不是预定义的；
（3）分类完成的工作是进行预测，而聚类完成的工作是进行降维；
（4）分类处理数据时是一个一个处理的，而聚类处理数据时是一堆一堆处理的；
（5）常见数据挖掘分类算法本文已说明，而常见的数据挖掘聚类算法有K-Means算法、K-Means++算法、FCM算法、EM算法、LDA算法和算法等等。
八、参考文献