第7章-贝叶斯分类算法课件

第7章

贝叶斯分类算法贝叶斯分类概述朴素贝叶斯分类SQLServer朴素贝叶斯分类电子商务数据的贝叶斯分类第7章贝叶斯分类算法贝叶斯分类概述17.1贝叶斯分类概述7.1.1贝叶斯定理若已知P(C)是关于C的先验概率，P(A)是关于A的先验概率，P(A|C)表示在已知C发生后A的条件概率，如图7.1所示，求P(C|A)即A发生后C的后验概率。后验概率的贝叶斯定理如下：7.1贝叶斯分类概述7.1.1贝叶斯定理若已27.1.2贝叶斯信念网络

定义7.1

贝叶斯信念网络（BayesianBeliefNetwork，BBN）简称贝叶斯网，它是一个概率网络，是一种基于概率推理的数学模型，解决复杂系统的不确定性和不完整性问题。用图形表示一组随机变量之间的概率关系。贝叶斯网有两个主要成分：一个有向无环图（DAG）：图中每个节点代表一个随机变量，每条有向边表示变量之间的依赖关系。若有一条有向边从节点X到节点Y，那么X就是Y的父节点，Y就是X的子节点。一个条件概率表（CPT）：把各节点和父节点关联起来。在CPT中，如果节点X没有父节点，则表中只包含先验概率P(X)；如果节点X只有一个父节点Y，则表中包含条件概率P(X|Y)；如果节点X有多个父节点Y1、Y2、…、Yk，则表中包含条件概率P(X|Y1、Y2、…、Yk)。7.1.2贝叶斯信念网络定义7.1贝叶斯信3例如，假设节点X直接影响到节点Y，即X→Y，则用从X指向Y的箭头建立节点X到节点Y的箭头(X，Y)，权值（即连接强度）用条件概率P(Y|X)来表示，如图7.2所示。其中箭头表示条件依赖关系。例如，假设节点X直接影响到节点Y，即X→Y，则用4

定义7.2

对于随机变量（A1、A2、…、An），任何数据对象（a1、a2、…、an）的联合概率可以通过以下公式计算获得：其中，parent(Ai)表示Ai的父结点，P(ai|parent(Ai))对应条件概率表中关于Ai结点的一个入口。若Ai没有父结点，则P(ai|parent(Ai))等于P(ai)。定义7.2对于随机变量（A1、A2、…、5

【例7.2】有X、Y和Z三个二元随机变量（取值只有0、1两种情况），假设X、Y之间是独立的，它们对应的条件概率表如表7.1所示。若已知条件概率P(X=1)=0.3，P(Y=1)=0.6，P(Z=1)=0.7，求P(X=0，Y=0|Z＝0)的后验概率。X=1，Y=1X=1，Y=0X=0，Y=1X=0，Y=0Z=10.80.50.70.1Z=00.20.50.30.9表中的数值表示的是后验概率P(Z|X，Y)，如有：P(Z=1|X=1，Y=1)=0.8，P(Z=0|X=1，Y=1)=0.2。【例7.2】有X、Y和Z三个二元随机变量（取值只有0、16画出相应的贝叶斯网如图7.15所示。一般地，在画贝叶斯网时，若已知P(X|Y)条件概率，则画一条从Y到X的有向边；若已知P(X|Y1、Y2、…、Yk)条件概率，则从Y1、Y2、…、Yk各画一条从Yi（1≤i≤k）到X的有向边。P(X=0)=1-P(X=1)=0.7，P(Y=0)=1-P(Y=1)=0.4，P(Z=0)=1-P(Z=1)=0.3由于X、Y均没有父结点，所以联合概率：

P(X=0，Y=0)=P(X=0)×P(Y=0)=0.7×0.4=0.28依条件概率表有P(Z=0|X=0，Y=0)=0.9。根据贝叶斯定理，有：

P(X=0，Y=0|Z=0)=P(Z=0|X=0，Y=0)×P(X=0，Y=0)/P(Z=0)

=0.9×0.28/0.3=0.84。画出相应的贝叶斯网如图7.15所示。一般地，在画贝叶斯网77.2朴素贝叶斯分类7.2.1朴素贝叶斯分类原理1.朴素贝叶斯分类过程朴素贝叶斯分类基于一个简单的假定：在给定分类特征条件下，描述属性值之间是相互条件独立的。朴素贝叶斯分类思想是：假设每个样本用一个n维特征向量X={x1，x2，…，xn}来表示，描述属性为A1、A2、…、An（Ai之间相互独立）。类别属性为C，假设样本中共有m个类即C1、C2、…、Cm，对应的贝叶斯网如图7.5所示，其中P(Ai|C)是后验概率，可以通过训练样本集求出。7.2朴素贝叶斯分类7.2.1朴素贝叶斯分类原理1.8给定一个未知类别的样本X，朴素贝叶斯分类将X划分到属于具有最高后验概率P(Ci|X)的类中，也就是说，将X分配给类Ci，当且仅当：P(Ci|X)>P(Cj|X)，1≤j≤m，i≠j给定一个未知类别的样本X，朴素贝叶斯分类将X划分9根据贝叶斯定理有：由于P(X)对于所有类为常数，只需要最大化P(X|Ci)P(Ci)即可。而P(X|Ci)是一个联合后验概率，即：P(X|Ci)=P(A1，A2，…，An|Ci)=所以对于某个新样本（a1，a2，…，an)，它所在类别为：根据贝叶斯定理有：102.后验概率P(Ak|Ci)的计算计算对于后验概率P(ak|Ci)（也称为类条件概率）的方法如下：（1）如果对应的描述属性Ak是离散属性，可以通过训练样本集得到，P(ak|Ci)=sik/si，其中sik是在属性Ak上具有值ak的类Ci的训练样本数，而si是Ci中的训练样本数。（2）如果对应的描述Ak是连续属性，则通常假定该属性服从高斯分布。因而：2.后验概率P(Ak|Ci)的计算11

【例7.3】对于第6章表6.1的训练样本集S，所有属性为离散属性。n=2（描述属性个数），特征向量为A={a1，a2}，描述属性为A1和A2（假设A1和A2之间相互独立）。类别属性为C，m=2（类别个数），C1=False，C2=True。对应的贝叶斯网如图7.7所示。求P(A1|C)和P(A2|C)。【例7.3】对于第6章表6.1的训练样本集S，所有12（1）求条件概率P(Ci)训练样本集S中有10个样本，即s=10，其中有6个属于C1的样本，4个属于C2的样本，所以有：s1=6，s2=4P(C1)=s1/s=6/10=0.6P(C2)=s2/s=4/10=0.4（1）求条件概率P(Ci)13ID属性A1类别C统计结果1YesFalses11=2s1=64YesFalse2NoFalses12=43NoFalse6NoFalse9NoFalse7YesTrues21=1s2=45NoTrues22=38NoTrue10NoTrue（2）求后验概率P(Ai|C)考虑属性A1，按属性C和A1排序后的统计结果如表7.2所示。则：P(A1=Yes|C=False)=s11/s1=2/6=1/3P(A1=No|C=False)=s12/s1=4/6=2/3P(A1=Yes|C=True)=s21/s2=1/4P(A1=No|C=True)=s22/s2=3/4ID属性A1类别C统计结果1YesFalses11=2s1=14考虑属性A2，按属性C和A2排序后的统计结果如表7.3所示。则：P(A2=大|C=False)=s11/s1=1/6P(A2=中|C=False)=s12/s1=4/6=2/3P(A2=小|C=False)=s13/s1=1/6P(A2=大|C=True)=s21/s2=2/4=1/2P(A2=小|C=True)=s22/s2=2/4=1/2ID属性A2类别C统计结果1大Falses11=1s1=62中Falses12=44中False6中False9中False3小Falses13=15大Trues21=2s2=47大True8小Trues22=210小True考虑属性A2，按属性C和A2排序后的统计结果如表7.3所示。157.2.2朴素贝叶斯分类算法7.2.2朴素贝叶斯分类算法16第7章-贝叶斯分类算法ppt课件17对于一个样本（a1，a2，…，an），求其类别的朴素贝叶斯分类算法如下：对于一个样本（a1，a2，…，an），求其类18【例7.4】对于第6章表6.4所示的训练数据集S，有以下新样本X：年龄='≤30'，收入='中'，学生='是'，信誉='中'采用朴素贝叶斯分类算法求X所属类别的过程如下：编号描述属性类别属性年龄收入学生信誉购买计算机1≤30高否中否2≤30高否优否331～40高否中是4>40中否中是5>40低是中是6>40低是优否731～40低是优是8≤30中否中否9≤30低是中是10>40中是中是11≤30中是优是1231～40中否优是1331～40高是中是14>40中否优否【例7.4】对于第6章表6.4所示的训练数据集S，有以下新样19（1）由训练样本集S建立贝叶斯网如图7.8所示。（1）由训练样本集S建立贝叶斯网如图7.8所示。20（2）根据类别“购买计算机”属性的取值，分为两个类，C1表示购买计算机为是的类，C2表示购买计算机为否的类，它们的先验概率P(Ci)根据训练样本集计算如下：P(C1)=P(购买计算机='是')=9/14=0.64P(C2)=P(购买计算机='否')=5/14=0.36（2）根据类别“购买计算机”属性的取值，分为两个类，C1表示21（3）计算后验概率P(ai|Ci)，先计算P(年龄='≤30'|购买计算机='是')和P(年龄='≤30'|购买计算机='否')。将训练数据集S按“购买计算机”和“年龄”属性排序后的统计结果如表7.4所示。则：P(年龄='≤30'|购买计算机='是')=s11/s1=2/9=0.22P(年龄='≤30'|购买计算机='否')=s21/s2=3/5=0.6（3）计算后验概率P(ai|Ci)，先计算P(年龄='≤3022类似地求出下面的后验概率：P(收入='中'|购买计算机='是')=4/9=0.44P(收入='中'|购买计算机='否')=2/5=0.4P(学生='是'|购买计算机='是')=6/9=0.67P(学生='是'|购买计算机='否')=1/5=0.2P(信誉='中'|购买计算机='是')=6/9=0.67P(信誉='中'|购买计算机='否')=2/5=0.4类似地求出下面的后验概率：23（4）假设条件独立性，X=（年龄='≤30'，收入='中'，学生='是'，信誉='中'），使用以上概率得到：P(X|购买计算机='是')=P(年龄='≤30'|购买计算机='是')×P(收入='中'|购买计算机='是')×P(学生='是'|购买计算机='是')×P(信誉='中'|购买计算机='是')=0.22×0.44×0.67×0.67=0.04P(X|购买计算机='否')=P(年龄='≤30'|购买计算机='否')×P(收入='中'|购买计算机='否')×P(学生='是'|购买计算机='否')×P(信誉='中'|购买计算机='否')=0.6×0.4×0.2×0.4=0.02（4）假设条件独立性，X=（年龄='≤30'，收入='中'，24（5）分类考虑“购买计算机='是'”的类，有：P(X|购买计算机='是')×P(购买计算机='是')=0.04×0.64=0.03考虑“购买计算机='否'”的类，有：P(X|购买计算机='否')×P(购买计算机='否')=0.02×0.36=0.01。因此，对于样本X，采用朴素贝叶斯分类预测为“购买计算机='是'”。这与第6章采用决策树所得到的分类结果是一致的。（5）分类25练一练用朴素贝叶斯网络对以下保险销售客户数据进行分析：（1）求条件概率P（性别/是），P（婚姻状态/是），P（是否有房/是）,P（性别/否），P（婚姻状态/否），P（是否有房/否）。（2）根据（1）中的条件概率，使用朴素贝叶斯方法预测一客户（性别=女，婚姻状态=已婚，是否有房=无房）是否会购买此保险。练一练用朴素贝叶斯网络对以下保险销售客户数据进行分析：26（1）求条件概率P（性别/是），P（婚姻状态/是），P（是否有房/是）,P（性别/否），P（婚姻状态/否），P（是否有房/否）:P（性别=女/是）=1/4,P（性别=男/是）=3/4，P（婚姻状态=未婚/是）=1，P（婚姻状态=已婚/是）=0，P（是否有房=有/是）=1，P（是否有房=无/是）=0，P（性别=女/否）=2/3,P（性别=男/否）=1/3，P（婚姻状态=未婚/否）=1/2，P（婚姻状态=已婚/否）=1/2,P（是否有房=有/否）=5/6，P（是否有房=无/否）=1/6（以上6分）（2）根据（1）中的条件概率，使用朴素贝叶斯方法预测一客户（性别=女，婚姻状态=已婚，是否有房=无房）是否会购买此保险:P（购买保险=是）=2/5，P（购买保险=否）=3/5，（2分）因为：P（性别=女/是）=1/4,P（性别=女/否）=2/3P（婚姻状态=已婚/是）=0,P（婚姻状态=已婚/否）=1/2,P（是否有房=无/是）=0,P（是否有房=无/否）=1/6朴素贝叶斯假定输入变量相互独立则P（性别=女，婚姻状态=已婚，是否有房=无房/购买保险=是）=P（性别=女/是）×P（婚姻状态=已婚/是）×P（是否有房=无/是）=0则P（性别=女，婚姻状态=已婚，是否有房=无房/购买保险=否）=P（性别=女/否）×P（婚姻状态=已婚/否）×P（是否有房=无/否）=1/18（4分）考虑购买保险=“是”的类：P（性别=女，婚姻状态=已婚，是否有房=无房/购买保险=是）×P（购买保险=是）=0考虑购买保险=“否”的类：P（性别=女，婚姻状态=已婚，是否有房=无房/购买保险=否）×P（购买保险=否）=1/30（4分）所以该客户的购买保险类别为“否”。（2分）（1）求条件概率P（性别/是），P（婚姻状态/是），P（是27补充：TAN(TreeAugmentedNaiveBayes)树增强朴素贝叶斯分类1.树增强朴素贝叶斯分类原理朴素贝叶斯分类模型假设描述属性之间相互独立，这个假设在实际应用中往往是不成立的，这给正确分类带来了一定影响。在描述属性个数比较多(>15)或者属性之间相关性较大时，朴素贝叶斯分类模型的分类效率比不上决策树模型。而在属性相关性较小时，朴素贝叶斯分类模型的性能最为良好。补充：TAN(TreeAugmentedNaiveB28

1997年Fredman等人在朴素贝叶斯分类算法的基础上提出了树增强朴素贝叶斯分类算法（TAN），允许各个描述属性之间形成树形结构。也就是说，在贝叶斯网中，结点C（对应类别属性）和结点A1，A2，…，An（对应描述属性）有有向边相连，结点C是A1，A2，…，An的父结点，此外，A1，A2，…，An之间有有向边相连并形成树。

对每个输入变量节点，最多允许存在两个父节点，其中一个为输出变量节点，另一个为输入变量节点。

节点Ai

到节点Aj之间的有向弧表示输入变量Ai对输出变量C的影响作用，不仅取决于变量自身，还取决于变量Aj。1997年Fredman等人在朴素贝叶斯分类算法的基础上29例如，一个包括5个描述属性A1，A2，…，A5和一个类别属性C的树增强朴素贝叶斯分类的贝叶斯网如图所示。图中虚线是朴素贝叶斯分类的有向边，A3是根结点，并有：parent(A1)={C，A2}，parent(A2)={C，A3}，parent(A3)={C}，parent(A4)={C，A3}，parent(A5)={C，A4}。例如，一个包括5个描述属性A1，A2，…，A5和一个类别30可以利用条件互信息描述在给定类别属性C时，描述属性A1、A2、…、An之间的依赖强度。在给定离散随机变量Z时，离散随机变量X和Y之间的条件互信息定义为：其中，P(x，y，z)为X=x、Y=y、Z=z的联合概率；P(x，y|z)为已知Z=z时，X=x、Y=y的联合条件概率；P(x|z)为已知Z=z时，X=x的条件概率；P(y|z)为已知Z=z时，Y=y的条件概率。条件互信息体现了在给定Z条件下，变量X提供了多少关于变量Y的信息。条件互信息的值越小，表示变量X和变量Y的相关性越弱，值越大，相关性越强。1、计算所有输入变量对X和Y的条件互信息；2、依次找到与变量X具有最大条件互信息的变量Y，并以无向弧线连接点X和Y，得到最大权重跨度树；3、将无向弧转为有向弧。即任选一个输入变量节点作为根节点，所有弧线方向朝外。4、输出变量节点作为父节点与所有输入变量节点相连。P(x,y,z)=p(x/y,z)p(y,z)P(y,z)=p(y/z)p(z)P(x,y,z)=p(x/y,z)p(y/z)p(z)可以利用条件互信息描述在给定类别属性C时，描述属性A1、31在树增强朴素贝叶斯分类中，如果通过分析训练样本集，得到了各个描述属性之间的树型结构，就可以估计类条件概率，从而可以得到新样本的类别。例如，在上面的树增强朴素贝叶斯分类中，类条件概率可以通过下式估计：

P(A1，A2，A3，A4，A5|C)=

P(A1|C，A2)×P(A2|C，A3)×P(A3|C)×P(A4|C，A3)×P(A5|C，A4)新样本（a1，a2，a3，a4，a5）的类别可以通过下式得到：在树增强朴素贝叶斯分类中，如果通过分析训练样本集，得到了322.树增强朴素贝叶斯分类算法输入：训练数据集S输出：树增强朴素贝叶斯分类的贝叶斯网方法：其描述过程如下：扫描S，计算在给定类别属性C时，描述属性A1、A2、…、An之间的条件互信息;构造一个无向完全图，以描述属性为结点，以条件互信息为边的权重;构造上述无向完全图的最大生成树;在上述最大生成树中选择一个描述属性结点为根结点，将所有边的方向设置成由根结点指向外，把无向图转换成有向树（不能含有回路）;在上述有向树中添加结点C和C到各个描述属性结点A1、A2、…、An的有向边，得到贝叶斯网;2.树增强朴素贝叶斯分类算法输入：训练数据集S扫描S，计算33

【例7.5】对于第6章表6.4所示的训练数据集S，有以下新样本X：

年龄='≤31～40'，收入='中'，学生='否'，信誉='优'采用树增强朴素贝叶斯分类算法求X所属类别的过程如下：（1）构建贝叶斯网。这里描述属性个数n=4，由这些描述属性对应的结点构成一个无向完全图。再由S求得各条件互信息如下：I(年龄；收入|购买计算机)=0.42I(年龄；学生|购买计算机)=0.22I(年龄；信誉|购买计算机)=0.31I(收入；学生|购买计算机)=0.42I(收入；信誉|购买计算机)=0.17I(学生；信誉|购买计算机)=0.06【例7.5】对于第6章表6.4所示的训练数据集S，有以34编号描述属性类别属性年龄收入学生信誉购买计算机1≤30高否中否2≤30高否优否331～40高否中是4>40中否中是5>40低是中是6>40低是优否731～40低是优是8≤30中否中否9≤30低是中是10>40中是中是11≤30中是优是1231～40中否优是1331～40高是中是14>40中否优否I(年龄；学生|购买计算机)编号描述属性类别属性年龄收入学生信誉购买计算机1≤30高否中35p(年龄≤30/购买计算机=是）=2/9p(学生=是/购买计算机=是）=6/9p(年龄≤30/购买计算机=否）=3/5p(学生=是/购买计算机=否）=1/5p(年龄=31～40/购买计算机=是）=4/9p(学生=否/购买计算机=是）=3/9p(年龄=31～40/购买计算机=否）=0p(学生=否/购买计算机=否）=4/5p(年龄>40/购买计算机=是）=3/9p(年龄>40/购买计算机=否）=2/5P(年龄≤30,学生=是/购买计算机=是）=2/9P(年龄≤30,学生=是/购买计算机=否）=0P(年龄≤30,学生=否/购买计算机=是）=0P(年龄≤30,学生=否/购买计算机=否）=3/5p(年龄=31～40,学生=是/购买计算机=是）=2/9p(年龄=31～40,学生=是/购买计算机=否）=0p(年龄=31～40,学生=否/购买计算机=是）=2/9p(年龄=31～40,学生=否/购买计算机=否）=0p(年龄>40,学生=是/购买计算机=是）=2/9p(年龄>40,学生=是/购买计算机=否）=1/5p(年龄>40,学生=否/购买计算机=是）=1/9p(年龄>40,学生=否/购买计算机=否）=1/5p(年龄≤30/购买计算机=是）=2/936P(年龄≤30,学生=是,购买计算机=是）=2/14P(年龄≤30,学生=是,购买计算机=否）=0P(年龄≤30,学生=否,购买计算机=是）=0P(年龄≤30,学生=否,购买计算机=否）=3/14p(年龄=31～40,学生=是,购买计算机=是）=2/14p(年龄=31～40,学生=是,购买计算机=否）=0p(年龄=31～40,学生=否,购买计算机=是）=2/14p(年龄=31～40,学生=否,购买计算机=否）=0p(年龄>40,学生=是,购买计算机=是）=2/14p(年龄>40,学生=是,购买计算机=否）=1/14p(年龄>40,学生=否,购买计算机=是）=1/14p(年龄>40,学生=否,购买计算机=否）=1/14

=0.0836+0+0+0.0690-0.0593+0+0.0863+0+0+0.0944+0-0.0484=0.2229P(年龄≤30,学生=是,购买计算机=是）=2/1437构成如图所示树增强朴素贝叶斯分类的贝叶斯网。构成如图所示树增强朴素贝叶斯分类的贝叶斯网。38（2）分类过程如下：考虑“购买计算机='是'”的类：P(购买计算机='是')＝9/14P(年龄='31～40'|购买计算机='是')=4/9P(收入='中'|购买计算机='是'，年龄='31～40')=1/4P(学生='否'|购买计算机='是'，收入='中')＝2/4P(信誉='优'|购买计算机='是'，年龄='31～40')＝2/4P(购买计算机='是')×P(年龄='31～40'|购买计算机='是')×P(收入='中'|购买计算机='是'，年龄='31～40')×P(学生='否'|购买计算机='是'，收入='中')×P(信誉='优'|购买计算机='是'，年龄='31～40')

=9/14×4/9×1/4×2/4×2/4=1/56。（2）分类过程如下：考虑“购买计算机='是'”的类：P(购买39考虑“购买计算机='否'”的类：P(购买计算机='否')＝5/14P(年龄='31～40'|购买计算机='否')=0P(购买计算机='否')×P(年龄='31～40'|购买计算机='否')×P(收入='中'|购买计算机='否'，年龄='31～40')×P(学生='否'|购买计算机='否'，收入='中')×P(信誉='优'|购买计算机='否'，年龄='31～40')

=5/14×0×…=0。因此，对于样本X，采用树增强朴素贝叶斯分类预测为“购买计算机='是'”。同样这与前面采用决策树所得到的分类结果是一致的。考虑“购买计算机='否'”的类：P(购买计算机='否')＝540由于树增强朴素贝叶斯分类算法捕获了变量之间的依赖关系，所以分类效果更优。由于树增强朴素贝叶斯分类算法捕获了变量之间的依赖关系，所41IBMSPSSModelerIBMSPSSModeler42第7章-贝叶斯分类算法ppt课件43第7章-贝叶斯分类算法ppt课件44第7章-贝叶斯分类算法ppt课件45第7章-贝叶斯分类算法ppt课件46第7章-贝叶斯分类算法ppt课件47第7章-贝叶斯分类算法ppt课件48第7章-贝叶斯分类算法ppt课件49第7章-贝叶斯分类算法ppt课件50第7章-贝叶斯分类算法ppt课件51第7章-贝叶斯分类算法ppt课件52第7章-贝叶斯分类算法ppt课件53第7章-贝叶斯分类算法ppt课件54第7章-贝叶斯分类算法ppt课件55第7章-贝叶斯分类算法ppt课件56第7章-贝叶斯分类算法ppt课件577.3SQLServer朴素贝叶斯分类7.3.1建立朴素贝叶斯分类挖掘模型

朴素贝叶斯分类挖掘模型Bayes.dmm利用第6章6.3.1小节创建的DMK数据库的DST表，以及6.3.2小节创建的DMK1.dsv和DMK1-1.dsv数据源视图。7.3SQLServer朴素贝叶斯分类7.3.1建58建立挖掘结构Bayes.dmm的步骤如下：①启动SQLServerDataTools，从“文件|最近使用的项目和解决方案”列表中选择DM项目。在解决方案资源管理器中，右键单击“挖掘结构”，再选择“新建挖掘结构”启动数据挖掘向导。在“欢迎使用数据挖掘向导”对话框中单击“下一步”按钮。在“选择定义方法”页面上，确保已选中“从现有关系数据库或数据仓库”，再单击“下一步”。建立挖掘结构Bayes.dmm的步骤如下：①启动59②出现“创建数据挖掘结构”对话框，在“您要使用何种数据挖掘技术？”下拉列表中选择“MicrosoftNaiveBayes”，如图7.9所示，单击“下一步”按钮。②出现“创建数据挖掘结构”对话框，在“您要使60③在出现的“选择数据源视图”中选择DMK1数据源视图，单击“下一步”按钮。④出现“指定表类型”对话框，在DST表的对应行中选中“事例”复选框，保持默认设置。单击“下一步”按钮。③在出现的“选择数据源视图”中选择DMK1数据源61⑤出现“指定定型数据”对话框，设置数据挖掘结构如图7.10所示。单击“下一步”按钮。⑤出现“指定定型数据”对话框，设置数据挖掘结构62⑥出现“指定列的内容和数据类型”对话框，保持默认值，单击“下一步”按钮。出现“创建测试集”对话框，将“测试数据百分比”选项的默认值30%更改为0。单击