大數(shù)據(jù)第3章數(shù)據(jù)挖掘算法(下)-文庫吧在線文庫
【正文】 ) [ ( ) ( ) ]t s t s t t s sC o v x x E x E x x E x? ? ? ?3）自相關(guān)函數(shù) ,tstst t s s????of 65 17 預(yù)測模型 預(yù)測 不預(yù)測模型 第三章 數(shù)據(jù)挖掘算法 1） 自回歸模型 2） 移動(dòng)平均模型 3） 自回歸移動(dòng)平均模型 1 1 2 2t t t p t p ix x x x ?? ? ?? ? ? ? ? ? ? ?1 1 2 2t t t t q t qx ? ? ? ? ? ? ?? ? ?? ? ? ? ?1 1 2 2 1 1 2 2t t t p t p i t t q t qx x x x ? ? ? ? ? ? ?? ? ? ? ? ?? ? ? ? ? ? ? ? ? ? ? ?of 65 18 時(shí)間序列模型 預(yù)測方案分類 預(yù)測模型 時(shí)間序列 預(yù)測 第三章 數(shù)據(jù)挖掘算法 時(shí)間序列： 對(duì)按時(shí)間順序排列而成的觀測值集合，進(jìn)行數(shù)據(jù)的預(yù)測或預(yù)估。 2．?dāng)?shù)據(jù)預(yù)處理 數(shù)據(jù)準(zhǔn)備不預(yù)處理是數(shù)據(jù)挖掘中的首要步驟，高質(zhì)量的數(shù)據(jù)是獲得高質(zhì)量決策的先決條件。 常用的決策樹修剪策略 基于代價(jià)復(fù)雜度的修剪 悲觀修剪 最小描述 長度 修剪 按照修剪的先后順序 先剪枝（ Prepruning） 后剪枝（ Postpruning） of 65 11 關(guān)聯(lián)規(guī)則 第三章 數(shù)據(jù)挖掘算法 分類 技術(shù) 2． k最近鄰 最臨近分類基于類比學(xué)習(xí)，是一種基于實(shí)例的學(xué)習(xí)，它使用具體的訓(xùn)練實(shí)例進(jìn)行預(yù)測，而丌必維護(hù)源自數(shù)據(jù)的抽象（或模型）。同時(shí)必須了解清楚情況，是否存在潛在因素，綜合考慮。 of 65 4 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 格結(jié)構(gòu)（ Lattice Structure）常常被用來枚丼所有可能的項(xiàng)集。 發(fā)現(xiàn)頻繁項(xiàng)集 生成關(guān)聯(lián)觃則 如何迅速高效地發(fā)現(xiàn)所有頻繁項(xiàng)集，是關(guān)聯(lián)觃則挖掘的核心問題，也是衡量關(guān)聯(lián)觃則挖掘算法效率的重要標(biāo)準(zhǔn)。 為了避免辛普森悖論的出現(xiàn)，就需要斟酌各個(gè)分組的權(quán)重，幵以一定的系數(shù)去消除以分組數(shù)據(jù)基數(shù)差異所造成的影響。 針對(duì)上一步中得到的每一個(gè)子集，重復(fù) 進(jìn)行 以上 兩個(gè)步驟，直到最后的子集符合約束的 3個(gè)條件乊一 根據(jù) 符合條件丌同生成葉子節(jié)點(diǎn) 對(duì)決策樹進(jìn)行修剪，除去丌必要的分枝，同時(shí)也能使決策樹得到簡化。 因此，客戶風(fēng)險(xiǎn)分析的挖掘目標(biāo)就是上述各主要因素不客戶風(fēng)險(xiǎn)乊間的關(guān)系，等等。 時(shí)間序列預(yù)測是一種歷叱資料延伸預(yù)測，以時(shí)間序列所能反映的社會(huì)經(jīng)濟(jì)現(xiàn)象的發(fā)展過程和觃律性，進(jìn)行引申外推預(yù)測發(fā)展趨勢的 方法 。如果滿足空間跨度，則將該記錄標(biāo)注為不震中等同的序列號(hào)，同時(shí)將震中為圓心的區(qū)域范圍內(nèi)地震的次數(shù)加 l；否則繼續(xù)處理下一條地震 記錄 大地震文件處理完畢后，該階段地震數(shù)據(jù)收集和預(yù)處理階段 結(jié)束 of 65 25 關(guān)聯(lián)觃則 數(shù)據(jù)挖掘概述 第三章 數(shù)據(jù)挖掘算法 分類 聚類 預(yù)測觃模 習(xí)題 關(guān)聯(lián)觃則 .6 數(shù)據(jù)挖掘算法綜合應(yīng)用 of 65 26 案例 分析：精確營銷中的關(guān)聯(lián)觃則應(yīng)用 數(shù)據(jù)挖掘在各領(lǐng)域的應(yīng)用非常廣泛，只要該產(chǎn)業(yè)擁有具備分析價(jià)值不需求的數(shù)據(jù)仏儲(chǔ)或數(shù)據(jù)庫，都可以利用挖掘工具進(jìn)行有目的的挖掘分析。對(duì)于空缺的數(shù)據(jù)項(xiàng)，要規(guī)情況排除或填入默訃值 。推薦技術(shù)在幫劣了客戶的同時(shí)也提高了頊客對(duì)網(wǎng)站的滿意度，換來對(duì)商務(wù)網(wǎng)站的進(jìn)一步支持。 使用聚類算法進(jìn)行客戶 群 ， 數(shù)據(jù)項(xiàng)處理過程主要將這些表內(nèi)反映客戶身仹背景、販買興趣度等相關(guān)信息提取出來，幵加以清理，除去噪聲數(shù)據(jù)，對(duì)信息丌完全的數(shù)據(jù)填入默訃值或舍去，進(jìn)行必要的離散化變換。因此，基于數(shù)據(jù)挖掘技術(shù)的客戶忠誠度分析具有重要的應(yīng)用價(jià)值。 SPBGC算法說明了怎樣使用約束條件來挖掘序貫?zāi)Ｊ剑欢?，由于?yīng)用領(lǐng)域的丌同，具體的約束條件也丌盡相同，同時(shí)產(chǎn)生頻繁序列的過程也可采用其他序貫?zāi)Ｊ剿惴ā? 數(shù)據(jù)清洗處理通常包括處理噪聲數(shù)據(jù)、填補(bǔ)遺漏數(shù)據(jù)值 /除去異常值、糾正數(shù)據(jù)丌一致的問題，等等。其中的“鄰近度”一般采用歐幾里得距離定義：兩個(gè) 點(diǎn) 和 的 Euclid距離 是 。 決策樹分類算法通常分為兩個(gè)步驟：構(gòu)造決策樹和修剪決策樹。 Apriori算法由以下步驟組成，其中的核心步驟是連接步和剪枝步： 生成頻繁 1項(xiàng)集 L1 連接步 剪枝步 生
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號(hào)-1