大數(shù)據(jù)第3章數(shù)據(jù)挖掘算法(下)(存儲(chǔ)版)
【正文】 查找頻繁項(xiàng)目集 經(jīng)典的查找策略 基于精簡(jiǎn) 集的 查找策略 基于最大頻繁 項(xiàng)集的 查找策略 按照挖掘的策略不同 經(jīng)典的挖掘完全頻繁項(xiàng)集方法 基于廣度優(yōu)先搜索策略的關(guān)聯(lián)觃則算法 基于深度優(yōu)先搜索 策略 的算法 Apriori算法 、 DHP算法 FPGrowth算法 、 ECLAT算法COFI算法 與 經(jīng)典 查找不同 方法 基于精簡(jiǎn)集的方法 基于最大頻繁項(xiàng)目集的方法 Aclose算法 MAFIA算法 、 GenMax算法 DepthProject算法 of 65 6 關(guān)聯(lián)規(guī)則 第三章 數(shù)據(jù)挖掘算法 頻繁 項(xiàng)集的產(chǎn)生及其經(jīng)典算法 1． Apriori算法 Apriori算法基于頻繁項(xiàng)集性質(zhì)的先驗(yàn)知識(shí)，使用由下至上逐層搜索的迭代方法，即從頻繁 1項(xiàng)集開始，采用頻繁 k項(xiàng)集搜索頻繁 k+1項(xiàng)集，直到丌能找到包含更多項(xiàng)的頻繁項(xiàng)集為止。 根據(jù)所采用的分類模型丌同 基于決策樹模型的數(shù)據(jù)分類 基于統(tǒng)計(jì)模型的數(shù)據(jù)分類 基于神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)分類 基于案例推理的數(shù)據(jù)分類 基于實(shí)例的數(shù)據(jù)分類 1．決策樹 決策樹就是通過(guò)一系列觃則對(duì)數(shù)據(jù)進(jìn)行分類的過(guò)程。若給定一個(gè)未知樣本， k最近鄰分類法搜索模式空間，計(jì)算該測(cè)試樣本不訓(xùn)練集中其他樣本的鄰近度，找出最接近未知樣本的 k 個(gè) 訓(xùn)練樣本，這 k 個(gè)訓(xùn)練樣本 就是未知樣本的 k 個(gè) “近鄰”。 去除 數(shù)據(jù)集乊中的噪聲數(shù)據(jù)和無(wú)關(guān)數(shù)據(jù)，處理遺漏數(shù)據(jù)和清洗“臟”數(shù)據(jù)等 。 項(xiàng)集間的時(shí)間限制 Cgap 序列持續(xù)時(shí)間限制 Cduration 數(shù)據(jù) 約束 Cdata 項(xiàng)的約束Citem 序列長(zhǎng)度的約束 CLength 其他約束 時(shí)間序列領(lǐng)域約束觃則 of 65 19 預(yù)測(cè)模型 時(shí)間序列 預(yù)測(cè) 第三章 數(shù)據(jù)挖掘算法 SPMGC算法的基本處理流程 掃描時(shí)間序列數(shù)據(jù)庫(kù)，獲取滿足約束條件丏長(zhǎng)度為 1的序列模式 L1，以序列模式 L1作為初始種子集 根據(jù)長(zhǎng)度為 i1的種子集 Li1，通過(guò)連接不剪切運(yùn)算生成長(zhǎng)度為 i 幵丏滿足約束條件的候選序列模式Ci，基于此掃描序列數(shù)據(jù)庫(kù)，幵計(jì)算每個(gè)候選序列模式 Ci 的 支持?jǐn)?shù)，從而產(chǎn)生長(zhǎng)度 為 I 的 序列模式Li，將 Li作為新種子集 在此 重復(fù) 上一 步 ，直至沒有新的候選序列模式或新的序列模式 產(chǎn)生 SPBGC算法首先對(duì)約束條件按照優(yōu)先級(jí)進(jìn)行排序，然后依據(jù)約束條件產(chǎn)生候選序列。 第三章 數(shù)據(jù)挖掘算法 of 65 27 挖掘 目標(biāo)的提出 第三章 數(shù)據(jù)挖掘算法 電子商務(wù)網(wǎng)站中的商品 推薦 為例 客戶忠誠(chéng)度 影響因素 其他因素 ： 如 社會(huì)文化、國(guó)家政策等 客戶自身原因 企業(yè)原因 數(shù)據(jù)挖掘技術(shù)可以建立客戶忠誠(chéng)度分析模型，了解哪些因素對(duì)客戶的忠誠(chéng)度有較大的影響，從而采取相應(yīng)措施。 客戶群 紳分使得 公司可以更好地識(shí)別丌同的客戶群體，區(qū)別對(duì)待丌同客戶，采取丌同的客戶策略，達(dá)到最優(yōu)化配置客戶資源的目的。 of 65 32 1．依據(jù)研究的方式分類，可將時(shí)間序列預(yù)測(cè)不挖掘分為哪些類？ 2．根據(jù)預(yù)測(cè)方法的性質(zhì)將預(yù)測(cè)方法分為哪些類？各有何優(yōu)缺點(diǎn)？ 3．時(shí)序預(yù)測(cè)方面典型的算法有哪些？各有什么特點(diǎn)？ 4． 什么是序貫?zāi)Ｊ酵诰?SPMGC算法？ 5． 時(shí)間序列預(yù)測(cè)方法分哪幾類？主要適用領(lǐng)域是哪些？ 習(xí)題： 感謝聆聽 演講完畢，謝謝觀看！ 。 按照一般的統(tǒng)計(jì)劃分經(jīng)驗(yàn)來(lái)對(duì)屬性值進(jìn)行分段，實(shí)現(xiàn)離散化。一般較常見的應(yīng)用案例多發(fā)生在零售業(yè)、制造業(yè)、財(cái)務(wù)金融保險(xiǎn)、通信業(yè)及醫(yī)療服務(wù)等。 從時(shí)間序列數(shù)據(jù)中提取幵組建特征 ，仍用 原有的數(shù)據(jù)挖掘框架不算法進(jìn)行數(shù)據(jù)挖掘 將時(shí)間序列數(shù)據(jù)作為一種特殊的挖掘?qū)ο螅覍?duì)應(yīng)的數(shù)據(jù)挖掘 算法進(jìn)行 與門研究 依據(jù)研究的方式分類 相似性問題 挖掘 時(shí)態(tài)模式 挖掘 依據(jù)研究的內(nèi)容分類 依據(jù)研究 的 對(duì)象 分類 事件序列的數(shù)據(jù)挖掘 事務(wù)序列的數(shù)據(jù)挖掘 數(shù)值序列的數(shù)據(jù)挖掘 時(shí)間序列預(yù)測(cè)及數(shù)據(jù) 挖掘 分類 of 65 16 預(yù)測(cè)模型 預(yù)測(cè) 不預(yù)測(cè)模型 第三章 數(shù)據(jù)挖掘算法 預(yù)測(cè)方案分類 時(shí)間序列預(yù)測(cè) 定性預(yù)測(cè)方法 依據(jù) 預(yù)測(cè)方法的性質(zhì) 因果關(guān)系預(yù)測(cè) 時(shí)間序列的統(tǒng)計(jì) 特征 1） 均值函數(shù) t [ ] ( )ttE X x f x d x? ????? ?2） 自協(xié)方差函數(shù) , ( ,
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號(hào)-1