全面解析数据挖掘的分类及各种分析方法

1.数据挖掘可以做以下六种不同的事情(分析方法):

分类(分类)

估价(估计)

，预测(Prediction)

相似性分组或关联规则

，聚类(Clustering)

描述和可视化(描述和可视化)

挖掘复杂的数据类型(文本、Web、图形图像、视频、音频等。)

2.数据挖掘的分类

以上六种数据挖掘分析方法可以分为两类:直接数据挖掘；间接数据挖掘

直接数据挖掘

目标是利用可用的数据建立一个模型，这个模型描述了剩余的数据和一个特定的变量(可以理解为数据库中表的属性，也就是列)。

间接数据挖掘

目标中没有选择具体的变量，由模型描述；而是在所有变量之间建立某种关系。

分类、估值、预测属于直接数据挖掘；后三种是间接数据挖掘。

3.各种分析方法简介

分类(分类)

首先，从数据中选择已经分类的训练集。在这个训练集上，利用数据挖掘分类技术建立分类模型，对未分类数据进行分类。

示例:

A.信用卡申请人，分为低，中，高风险

b .将客户分配到预定义的客户群

注意:类的数量是确定的和预先定义的。

估价(估计)

类似于估值分类，区别在于分类描述的是离散变量的输出，而估值处理的是连续值的输出；类别的数量是确定的，而估价的数量是不确定的。

示例:

A.根据购买模式估计一个家庭的孩子数量

B.根据购买模式估计家庭收入

C.估计房地产的价值

一般来说，估值可以作为分类的前一步。给定一些输入数据，通过估计得到未知连续变量的值，然后根据预设的阈值进行分类。例如，银行贷款给家庭，使用估价，给每个客户打分(0~1分)。然后根据门槛对贷款等级进行分类。

，预测(Prediction)

通常预测是通过分类或者估值来起作用的，也就是通过分类或者估值得到一个模型，用来预测未知变量。从这个意义上说，没有必要把预言单独归为一类。预测的目的是预测未来的未知变量。这种预测需要时间来验证，也就是需要一定的时间才能知道预测的准确性。

相似性分组或关联规则

决定哪些事情会一起发生。

示例:

A.超市里的顾客买A的时候往往会买B，也就是A => B(关联规则)

B.客户购买A后，每隔一段时间就会购买B(序列分析)。

，聚类(Clustering)

聚合是对记录进行分组，并将相似的记录分组到一个聚合中。聚类和分类的区别在于，聚类不依赖于预定义的类，不需要训练集。

示例:

A.某些特定症状的聚集可能预示着某种特定的疾病。

B.租不同类型vcd的顾客聚集在一起，可能暗示着成员属于不同的亚文化。

聚集通常是数据挖掘的第一步。比如“什么样的促销回应顾客？”对于这类问题，可能最好先把整个客户集合起来，分组到自己的集群里，然后再针对每个不同的集群来回答问题。

描述和可视化(描述和可视化)

是数据挖掘结果的表示。