分析流程如下所示，根据本课题的数据以及所需要的结果形式，其结果符合要求的为1，不符合的为空，这里我们将不符合数据的定义为0，那么整个系统其实可以等效为一个分类算法，即通过数据挖掘进行分类，即符合需求类1和不符合需求类0，基于这个思路进行设计。

        一般数据挖掘算法流程如下所示：

       第一步,建立模型，确定数据表中哪些列是要用于输入，哪些是用于预测，选择用何种算法。这时建立的模型内容是空的，在模型没有经过训练之前，计算机是无法知道如何分类数据的。

        第二步，准备模型数据集，例子中的模型数据集就是1000个会员数据。通常的做法是将模型集分成训练集和检验集，比如从1000个会员数据中随机抽取700个作为训练集，剩下300个作为检验集。

       第三步，用训练数据集填充模型，这个过程是对模型进行训练，模型训练后就有分类的内容了，像例子图中的树状结构那样，然后模型就可以对新加入的会员事例进行分类了。比如前两年的数据训练之后预测第三年的，当进入第四年的时候，使用第二年和第三年的数据进行训练，从而不断的更新模型。

       第四步，使用模型对预测集进行预测。

        整个算法的理论如下所示：

        首先，我们需要建立的是一个函数f，该函数满足如下的需求：

        其中f可以是一个数学公式，也可以是一个抽象的网络。这里，根据各种实战经验，一般对于复杂的情况，一般最后得到的函数f为一个抽象的网络。

       决策树是一树状结构，它从根节点开始，对数据样本进行测试，根据不同的结果将数据样本划分成不同的数据样本子集，每个数据样本子集构成一子节点。生成的决策树每个叶节点对应一个分类。构造决策树的目的是找出属性和类别间的关系，用它来预测将来未知类别的记录的类别。

根据决策树分为分类树和回归树两种，分类树对离散变量做决策树，回归树对连续变量做决策树。

决策树方法中分类的目的是分析输入数据，通过在训练集中的数据表现出来的特性，为每一个类找到一种准确的描述或者模型。由此生成的类描述用来对未来的测试数据进行分类。尽管这些未来的测试数据的类标签是未知的，我们仍可以由此预测这些新数据所属的类。我们也可以由此对数据中的每一个类有更好的理解。或者说我们获得了对这个类的知识。

构造一个决策树通常分为两步：树的生成和剪枝。

决策树的生成是一个从上至下，是一个递归的过程。设数据样本集S，算法框为如果数据样本集S中所有样本都属于同一类或者满足其它终止准则, 则S不再划分，形成叶节点；否则,根据某种策略选择一个属性，按照属性的各个取值对S进行划分，得到n个子样本集，记为Si。再对每个Si迭代执行步骤1。经过n 次递归, 最后生成决策树。从根到叶结点的一条路径就对应着一条规则, 整棵决策树就对应着一组析取表达式规则。树构成步骤中, 主要就是找出节点的属性和如何对属性值进行划分。

决策树生成后面临的问题是树的过度细化，特别是存在噪声数据或不规范属性时更为突出，决策树的修剪就是对过度细化的模型进行调整。修剪算法分为前剪枝算法和后剪枝算法两种。前剪枝算法是在树的生长过程完成前就进行剪枝。这类算法的优点是在树的生长同时就进行了剪枝，因而效率高，但是它可能剪去了某些有用但还没有生成的节点。后剪枝算法是当决策树的生长过程完成后再进行剪枝。它分为需要单独剪枝集和不需要单独剪枝集两种情况。后剪枝有一些优点,例如,当单个的两个属性似乎没什么用处,但当结合在一起时却有强大的预测能力,即一种结合效果,在两个属性值正确结合时是非常有用的,而单个属性则没有用。

联系：highspeedlogic

QQ ：1224848052

微信：HuangL1121

邮箱：1224848052@qq.com

网站：http://www.mat7lab.com/

网站：http://www.hslogic.com/