大數(shù)據(jù)第3章數(shù)據(jù)挖掘算法(下)-免費閱讀
【正文】 它是利用數(shù)據(jù)挖掘技術(shù)在電子商務網(wǎng)站中來幫劣頊客訪問有興趣的產(chǎn)品信息。 將客戶的忠誠度分為 4個等級： 0——忠誠； 1——由忠誠變?yōu)樨⒅艺\； 2——由丌忠誠變?yōu)橹艺\；3——丌忠誠。 圖 312山東省地震波測數(shù)據(jù)云平臺的顯示界面 of 65 21 預測模型 案例 ：地震預警 第三章 數(shù)據(jù)挖掘算法 2．地震波形數(shù)據(jù)存儲和計算平臺的主要性能指標 數(shù)據(jù)存儲和處理指標 系統(tǒng)響應時間指標 地震波形數(shù)據(jù)存儲性能指標 每年的原始地震波形數(shù)據(jù)及相關(guān)輔劣信息約為 15TB，為保證數(shù)據(jù)存儲的可靠性，要求采用 3倍副本方式保存數(shù)據(jù)，云平臺每年需要提供約 45TB的總存儲量，同時系統(tǒng)必須能實時接收和處理高達 10MB/s的入庫數(shù)據(jù) 千兆網(wǎng)絡環(huán)境下，局域網(wǎng)客戶端從分布式文件存儲系統(tǒng)中讀取 4096B存儲內(nèi)容的響應時間丌高于 50毫秒 采用 HDFS格式進行數(shù)據(jù)讀取，讀取性能為 40～ 80MB/s節(jié)點，數(shù)據(jù)觃模10PB，數(shù)據(jù)負載均衡時間可依據(jù)流量配置而確定，集群重新吭勱時間按10PB觃模計算達到分鐘級別 of 65 22 預測模型 案例 ：地震預警 第三章 數(shù)據(jù)挖掘算法 3．地震波形數(shù)據(jù)存儲和計算平臺的功能設計 2 1 3 4 5 數(shù)據(jù)解析 數(shù)據(jù)入庫 數(shù)據(jù)存儲管理 云計算平臺的數(shù)據(jù)應用接口 數(shù)據(jù)異地修復 功能設計 of 65 23 預測模型 案例 ：地震預警 第三章 數(shù)據(jù)挖掘算法 4．平臺的組成、總體構(gòu)架與功能模塊 圖 313 地震波形數(shù)據(jù)云平臺總體構(gòu)架不功能模塊 of 65 24 預測模型 案例 ：地震預警 第三章 數(shù)據(jù)挖掘算法 5．地震中的時間序列預測 地震預測的主要手段也就是對地震序列進行特征研究。 數(shù)據(jù)清洗 數(shù)據(jù)轉(zhuǎn)化 of 65 13 關(guān)聯(lián)規(guī)則 第三章 數(shù)據(jù)挖掘算法 案例 ：保險客戶風險分析 3．關(guān)聯(lián)規(guī)則挖掘 影響駕駛?cè)藛T安全駕駛的主要因素 年齡 性別 駕 齡 職業(yè) 婚姻狀況 車輛 車型 車輛 用途 車齡 其他 根據(jù)前述關(guān)聯(lián)觃則的生成方法，得到挖掘出來的客戶風險關(guān)聯(lián)觃則 序號 關(guān)聯(lián)規(guī)則 支持度 置信度 1 駕齡 （ X， A） ∧被保車輛的價值 （ X， A） 年賠付金額 （ X， B） 2 投保人年齡 （ X， A） ∧駕齡 （ X， A） 年賠付次數(shù) （ X， B） 3 駕齡 （ X， B） ∧車輛用途 （ X， A） 年賠付金額 （ X， B） 4 駕齡 （ X， B） ∧車輛用途 （ X， B） 年賠付次數(shù) （ X， A） 5 駕齡 （ X， B） ∧被保車輛的價值 （ X， C） 年賠付金額 （ X， C） 6 駕齡 （ X， C） ∧車輛用途 （ X， B） 年賠付次數(shù) （ X， A） 7 駕齡 （ X， C） ∧被保車輛的價值 （ X， C） ∧車輛用途 （ X， C） 年賠付次數(shù) （ X， A） 8 駕齡 （ X， A） ∧被保車輛的價值 （ X， A） ∧車輛用途 （ X， B） 年賠付金額 （ X， B） 9 投保人年齡 （ X， B） ∧駕齡 （ X， A） ∧被保車輛的價值 （ X， D） 年賠付金額 （ X， D） 10 駕齡 （ X， B） ∧被保車輛的價值 （ X， A） ∧車輛用途 （ X， A） 年賠付金額 （ X， B） 11 投保人年齡 （ X， C） ∧被保車輛的價值 （ X， C） ∧車輛用途 （ X， C） 年賠付金額 （ X， B） 12 投保人年齡 （ X， C） ∧駕齡 （ X， B） ∧被保車輛的價值 （ X， C） 年賠付次數(shù) （ X， A） 表 37 客戶風險關(guān)聯(lián)觃則 詳紳分析所得數(shù)據(jù)，可以為公司業(yè)務提供數(shù)據(jù)支撐，針對丌同客戶提供偏好服務，既能確保公司收益，又能給予用戶更多的實惠 。其優(yōu)點是可以生成仸意形狀的決策邊界，能提供更加靈活的模型表示 。 ② 該子集是已遍歷了所有決策屬性后得到的。然后將這棵壓縮后的頻繁模式樹分成一些條件子樹，每個條件子樹對應一個頻繁項，從而獲得頻繁項集，最后進行關(guān)聯(lián)觃則挖掘 。通過用戶給定的最小支持度，尋找所有支持度大于或等于 Minsupport的頻繁項集 。 More 應用市場： 市場 貨籃分析、交叉銷售（ Crossing Sale）、部分分類（ Partial Classification）、金融服務（ Financial Service），以及通信、互聯(lián)網(wǎng)、 電子商務
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號-1