|
一、碎碎念
之前一直因为懒，没有把学了的给整理下来，现在慢慢补起来。 二、数据挖掘概述 1.什么是数据挖掘？ 数据挖掘（data mining，简称DM），是指从大量的数据中，通过统计学、人工智能、机器学习等方法，挖掘出未知的、且有价值的信息和知识的过程。 eg：啤酒与尿布、杜蕾斯与口红、杜蕾斯与红酒。==>达到增加商品销售的目的。 
数据挖掘误区：
【实际】：
1.数据挖掘是人们处理商业问题的某些方法，我们通过它来获得更有价值的结果。
2.实际上，最好的数据挖掘工程师是熟悉和理解业务的人。 2.数据分析和数据挖掘的区别是什么？
3.模型与算法
3.1模型：（包含一种或多种算法） 定量：数学公式（Y = a*X）
定性：规则（年龄>30岁 and 收入>1万元） 3.2算法：实现数据挖掘技术、模型的具体步骤与方法。（结合编程解决） 三、数据挖掘常见问题 
3.1分类问题： 
3.1.1常见的分类方法：==>解决（用户流失、促销活动响应、用户信用评估）
1）决策树
2）贝叶斯
3）KNN
4）支持向量机
5）神经网络
6）逻辑回归
…… 3.2聚类问题：
聚类的目标事先未确定。==>物以类聚的原理，将类似的事物归类的方法。 
3.2.1常见聚类算法：==>解决（目标市场细分、现有客户细分）
1）划分聚类
2）层次聚类
3）密度聚类
4）网格聚类
5）基于模型聚类
…… 3.3关联分析：（购物篮分析） 
3.3.1关联常见算法：==>解决（哪些商品同时购买几率高、如何提高商品销售和交叉销售）
1）Aprior算法
2）Carma算法
3）序列算法 3.4预测分析： 
3.4.1预测常见方法==>（未来气候、GDP增长、收入用户数预测、……）
1）简单线性回归分析
2）多重线性回归分析
3）时间序列
…… 四、数据挖掘流程 CRISP-DM数据挖掘方法论：（循环探索过程）
4.1阶段一：商业理解（了解项目要求和最终目的）
1）确定商业目标
2）确定挖掘目标
3）制定项目方案 4.2阶段二：数据理解 对企业内外部数据摸底，了解数据质量。 
4.3阶段三：数据准备 
4.4阶段四：模型构建
4.5阶段五：模型评估
4.6阶段六：模型部署 
| 
转播
