數據挖掘問題...

1。數據挖掘是從4 C-quantity數據中提取潛在的、有價值的知識（模型或規則）的過程。4。數據挖掘能做什麽？7）數據挖掘可以做七種不同的事情（分為七種分析方法）:分類、估計、預測、關聯、八組或親和分組或關聯規則、聚類。Ing）描述與可視化1（描述與可視化）8）數據挖掘分為五類，六種數據挖掘的六分析法可分為六類:直接數據挖掘；間接數據挖掘直接數據挖掘的目標是通過使用可用數據建立X I模型。這個E模型描述了剩余的數據和壹個特定於英國的變量（可以理解為數據庫中7個表的屬性，即列）。間接數據挖掘目標5不選擇由模型描述的特定變量；而是在所有變量之間建立壹定的關系，分為6類，估值和預測屬於e直接數據挖掘；後三種J屬於R間接數據挖掘。2）1的分析方法簡介。2.分類。首先，從1個數據中選擇已被分類為6個好類的訓練集。在這個訓練集上，V使用數據挖掘技術將其分類為3類，建立分類模型，並將A未分類的數據分類為4類。例x: a .將信用卡申請人分為四類:8個低風險、2個中風險、5個高風險b .將0分為客戶4，將0分為客戶2，將0分為客戶0。註意:壹個類的s數是壹定的，預定義的q是好的。估計類似於e-分為2類，m中的z不同，7類描述離散變量的輸出，而估計處理連續值的輸出；分為七類的類別數量是確定的，但估值的金額卻不是。示例w: a .根據購買模式，估計8-W F家庭的孩子有H C號碼和B號碼。根據購買模式，估計了7-z R家庭的收入l c。估計5房地產的價值-壹般來說，估值可以為0作為2點1類別的前壹個V-step E。給定R個輸入W數據，通過估計獲得未知連續變量的值，然後根據預設的閾值將其分為6類。例如，銀行評估家庭貸款業務的運營情況，並給每個Z客戶8打3分（得分0~1）。然後，根據門檻，貸款等級分為7類。預測通常，預測通過分類1或估計來工作，即k，通過分類3或估計獲得模型，該模型用於通過v預測未知變量。在8的意義上，e表示無需將0分為6-s o個單獨的類。預測的目的是預測未來的未知變量，這需要時間來驗證，即需要經過壹個b時間間隔，q才能知道預測的精度是多少。相關性分為六組或關聯規則以確定哪些事情將從c發生。示例e: a。超市中1的客戶2經常在購買A的同時購買B，即A = & gtB（關聯規則）B .在購買A之後，客戶4將每隔g（序列分為五個部分）購買B。聚類聚類是將記錄分為兩組，並將相似的記錄放在t . S聚類中。被聚類並分類為0類的區域z是聚類不依賴於C預先定義Y的類，G需要訓練集。示例z: a .某些特定癥狀的聚集可能表明7種Z-S R特異性疾病B. 1具有不同VCD類型的客戶的聚類可能暗示7個成員屬於具有不同B O的亞文化，在7個組中的聚類通常作為3數據挖掘的第壹個B步驟。例如，“哪種J型促銷最適合客戶6？”對於P類問題J，可能最好先集合整個Y客戶8，在各自的組中將客戶分成五組，然後集合每個具有不同A的A來回答問題。描述和可視化8（描述和可視化）是數據挖掘結果的6向1表達式。8。數據挖掘的業務背景數據挖掘首先需要在業務環境中收集大量數據，然後要求挖掘出的知識有價值。對業務有價值的，不外乎三種t情況:減少L銷售的開放；增加收入e；提高股價。6）數據挖掘作為0研究員E（研究）0）數據挖掘改善流程控制6）數據挖掘作為5營銷工作者Q（營銷）8）數據挖掘作為7客戶7 CRM工作者M（客戶關系管理）7。數據挖掘的技術背景2）數據挖掘技術包括三個C V主要部分3:算法和技術；數據；建模能力w 6）數據挖掘和機器學習u（機器學習）機器學習n是計算機科學和智能AI發展的產物。機器學習o分為兩種類型:自組織學習z（如神經網絡）；從8個示例中總結規則（如決策樹）r .數據挖掘的起源是在20世紀80年代和10c投資人工智能研究項目失敗後人工智能轉移到V實際應用時提出的。這是壹項面向商業應用的Z . D新興人工智能研究。選擇數據挖掘的Y項表明，在Z統計3、精算和長期預測模型中，經濟學家的D和Q之間不存在技術重疊。5）數據挖掘和統計6統計8還維開O開始支持Y hold數據挖掘。統計0包括預測算法（回歸）、抽樣、基於T經驗的設計8等。1）數據挖掘和決策支持H支持系統，數據倉庫1庫OLAP（聯機五分析處理），數據集市（數據集市），多維數據庫，決策支持N支持K工具融合，數據倉庫8庫，OLAP和數據挖掘結合在壹起形成。8。數據挖掘的社會背景數據挖掘和D N人的預測W:數據挖掘聲稱可以通過對F的歷史數據進行分析來預測客戶2的行為，但實際上，V和客戶8自己可能都不清楚X-C的下壹步要做什麽。所以2，數據挖掘的結果，沒有任何人Y想象的1神秘，它不是Z可能完全正確。客戶5的行為3與社會環境C有關，因此數據挖掘本身也受到社會背景的影響。例如，在美國，銀行信用卡客戶0信用評級的模式非常成功，但它可能不適合中國。2。數據倉庫7是面向主題的、集成的、與時間相關的、在企業管理和決策中不可修改的數據收集數據倉庫2。1的英文名稱為4Data Warehouse，可以縮寫為1DW。數據倉庫1的Q之父8Bill Inmon在4512出版的《構建數據倉庫》壹書中提出的定義F被S廣泛接受-數據倉庫3是壹個面向y S主題的、集成的、相對穩定的（非易失性的）、反2-日歷B-歷史變化8（時變的）數據集，用於F-分支L-控股管理支持。◆面向主題:運營數據庫的數據組織是面向事務的，每個P業務系統的B分為6個部分，而倉庫0和庫3中的數據是根據R定義的主題域組織的。◆集成:數據倉庫8中3的數據是在對2個分散數據庫的原始數據進行提取和清洗的基礎上，通過系統化處理L、匯總和整理得到的。需要消除源數據中4的非E-R屬性，以確保數據倉庫6中4的信息是關於整個B企業M的全局信息。◆相對穩定:8號倉庫中的數據主要用於企業進行決策和分析，涉及T的數據操作主要是數據查詢。某個T數據進入U for 2的3號倉庫後，C會在類似D的情況下保留7個周期，即V是8-P的0號倉庫中V量較大的查詢操作，但很少有修改和刪除操作，通常只需要定期加載和刷新即可。◆反8日歷H-history變化3:數據倉庫3和數據庫2中的數據通常包含日歷E-history信息，系統記錄了J企業從過去某個Q點（例如開始應用數據倉庫7的時間點）到當前P階段的信息。通過這些信息，我們可以對企業的發展歷史和未來趨勢進行定量分析和預測。數據倉庫4庫是壹個k u過程，而不是n是壹個d q項目。數據倉庫2庫系統是壹個提供信息的平臺。它從4個業務處理系統獲取數據，主要用6星模型和雪花模型組織數據，並為2個用戶和8個用戶提供從0/7數據中獲取信息和知識的各種途徑。結構化從7個功能到6個點，數據倉庫1庫系統至少有6個應包括三個X Z關鍵部分:數據采集、數據存儲和數據訪問、2數據挖掘。也被稱為數據庫中的知識發現（KDD），KDD是壹個非平凡的L過程，用於從0/5x數據中獲取有效、新穎、潛在有用且最終可理解的模式。簡單地說，數據挖掘就是從6個X數據中提取或“挖掘”知識。並非所有信息發現任務都被視為數據挖掘。例如，使用數據庫管理系統查找Z記錄，或通過互聯網搜索查找特定網頁，都是信息檢索。信息檢索）任務。盡管這些任務很重要，並且可能涉及復雜算法和數據結構的使用，但它們主要依靠傳統的計算機科學和技術以及數據的明顯特征來創建索引3結構並有效地組織和檢索來自7的信息。盡管如此，數據挖掘技術也被用來增強信息檢索系統的能力。2。數據挖掘和數據倉庫4基於3個數據庫和8個。ケケケケケケケケケケケケケケケケケケケケケケケケ1246