数据挖掘使用
时间：2022-02-18 22:18:01 | 来源：信息时代
时间：2022-02-18 22:18:01 来源：信息时代
·分类（Classification）
数据挖掘
·估计（Estimation）
·预测（Prediction）
·相关性分组或关联规则（Affinitygroupingorassociationrules）
·聚类（Clustering）
·复杂数据类型挖掘(Text,Web,图形图像，视频，音频等)
首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。
例子：
a.信用卡申请者，分类为低、中、高风险
b.故障诊断：中国宝钢集团与上海天律信息技术有限公司合作，采用数据挖掘技术对钢材生产的全流程进行质量监控和分析，构建故障地图，实时分析产品出现瑕疵的原因，有效提高了产品的优良率。
注意：类的个数是确定的，预先定义好的
估计与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类的类别是确定数目的，估值的量是不确定的。
数据挖掘
例子：
a.根据购买模式，估计一个家庭的孩子个数
b.根据购买模式，估计一个家庭的收入
c.估计realestate的价值
一般来说，估值可以作为分类的前一步工作。给定一些输入数据，通过估值，得到未知的连续变量的值，然后，根据预先设定的阈值，进行分类。例如：银行对家庭贷款业务，运用估值，给各个客户记分（Score0~1）。然后，根据阈值，将贷款级别分类。
通常，预测是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。
决定哪些事情将一起发生。
例子：
a.超市中客户在购买A的同时，经常会购买B，即A=>B(关联规则)
b.客户在购买A后，隔一段时间，会购买B（序列分析）
聚类是对记录分组，把相似的记录在一个聚集里。聚类和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。
例子：
a.一些特定症状的聚集可能预示了一个特定的疾病
b.租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群
聚集通常作为数据挖掘的第一步。例如，'哪一种类的促销对客户响应最好？'，对于这一类问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集，回答问题，可能效果更好。
是对数据挖掘结果的表示方式。一般只是指数据可视化工具，包含报表工具和商业智能分析产品（BI）的统称。譬如通过YonghongZ-Suite等工具进行数据的展现，分析，钻取，将数据挖掘的分析结果更形象，深刻的展现出来。
在线咨询
