30个学习大数据挖掘的重要知识点！建议收藏

<img alt="" src="https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/cs/5606289-e65e59a175f1635ed82dd6918e5a1dd6">
下面是一些关于大数据挖掘的知识点，今天和大家一起来学习一下。
 
1. 数据、信息和知识是广义数据表现的不同形式。 
 
2. 主要知识模式类型有：广义知识，关联知识，类知识，预测型知识，特异型知识
 
3. web挖掘研究的主要流派有：Web结构挖掘、Web使用挖掘、Web内容挖掘
 
4. 一般地说，KDD是一个多步骤的处理过程，一般分为问题定义、数据抽取、数据预处理，数据挖掘以及模式评估等基本阶段。
 
5. 数据库中的知识发现处理过程模型有：阶梯处理过程模型，螺旋处理过程模型，以用户为中心的处理结构模型，联机KDD模型，支持多数据源多知识模式的KDD处理模型。
 
6. 粗略地说，知识发现软件或工具的发展经历了独立的知识发现软件、横向的知识发现工具集和纵向的知识发现解决方案三个主要阶段，其中后面两种反映了目前知识发现软件的两个主要发展方向。
 
7. 决策树分类模型的建立通常分为两个步骤：决策树生成，决策树修剪。
 
8. 从使用的主要技术上看，可以把分类方法归结为四种类型：
 
基于距离的分类方法
 
决策树分类方法
 
贝叶斯分类方法
 
规则归纳方法
 
9. 关联规则挖掘问题可以划分成两个子问题：
 
发现频繁项目集:通过用户给定Minsupport ，寻找所有频繁项目集或者最大频繁项目集。
 
生成关联规则:通过用户给定Minconfidence ，在频繁项目集中，寻找关联规则。
 
10. 数据挖掘是相关学科充分发展的基础上被提出和发展的，主要的相关技术：
 
数据库等信息技术的发展
 
统计学深入应用
 
人工智能技术的研究和应用
 
11. 衡量关联规则挖掘结果的有效性，应该从多种综合角度来考虑：
 
 
准确性：挖掘出的规则必须反映数据的实际情况。
 
实用性：挖掘出的规则必须是简洁可用的。
 
新颖性：挖掘出的关联规则可以为用户提供新的有价值信息。
 
12. 约束的常见类型有：
 
单调性约束;
 
反单调性约束;
 
可转变的约束;
 
简洁性约束.
 
13. 根据规则中涉及到的层次，多层次关联规则可以分为：
 
同层关联规则：如果一个关联规则对应的项目是同一个粒度层次，那么它是同层关联规则。
 
层间关联规则：如果在不同的粒度层次上考虑问题，那么可能得到的是层间关联规则。
 
14. 按照聚类分析算法的主要思路，聚类方法可以被归纳为如下几种。
划分法：基于一定标准构建数据的划分。
 
属于该类的聚类方法有：k-means、k-modes、k-prototypes、k-medoids、PAM、CLARA、CLARANS等。
 
层次法：对给定数据对象集合进行层次的分解。
 
密度法：基于数据对象的相连密度评价。
 
网格法：将数据空间划分成为有限个单元(Cell)的网格结构，基于网格结构进行聚类。
 
模型法：给每一个簇假定一个模型，然后去寻找能够很好的满足这个模型的数据集。
 
15. 类间距离的度量主要有：
 
最短距离法：定义两个类中最靠近的两个元素间的距离为类间距离。
 
最长距离法：定义两个类中最远的两个元素间的距离为类间距离。
 
中心法：定义两类的两个中心间的距离为类间距离。
 
类平均法：它计算两个类中任意两个元素间的距离，并且综合他们为类间距离：离差平方和。
 
16. 层次聚类方法具体可分为：
 
凝聚的层次聚类：一种自底向上的策略，首先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到某个终结条件被满足。
 
分裂的层次聚类：采用自顶向下的策略，它首先将所有对象置于一个簇中，然后逐渐细分为越来越小的簇，直到达到了某个终结条件。
 
层次凝聚的代表是AGNES算法。层次分裂的代