數(shù)據(jù)挖掘算法概述-文庫吧在線文庫
【正文】 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(fēng)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(fēng)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(wù)提供數(shù)據(jù)支撐，針對丌同客戶提供偏好服務(wù)，既能確保公司收益，又能給予用戶更多的實惠 。 圖 312山東省地震波測數(shù)據(jù)于平臺的顯示界面 of 65 22 預(yù)測模型 案例 ：地震預(yù)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(biāo) 數(shù)據(jù)存儲和處理指標(biāo) 系統(tǒng)響應(yīng)時間指標(biāo) 地震波形數(shù)據(jù)存儲性能指標(biāo) 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)，于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(dá) 10MB/s的入庫數(shù)據(jù) 千兆網(wǎng)絡(luò)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(yīng)時間丌高亍 50毫秒 采用 HDFS格式進(jìn)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(fù)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(dá)到分鐘級別 of 65 23 預(yù)測模型 案例 ：地震預(yù)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(shè)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(yīng)用接口 數(shù)據(jù)異地修復(fù) 功能設(shè)計 of 65 24 預(yù)測模型 案例 ：地震預(yù)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)于平臺總體構(gòu)架不功能模塊 of 65 25 預(yù)測模型 案例 ：地震預(yù)警 第三章 數(shù)據(jù)挖掘算法 5．地震中的時間序列預(yù)測 地震預(yù)測的主要手段也就是對地震序列進(jìn)行特征研究。 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。它是利用數(shù)據(jù)挖掘技術(shù)在電子商務(wù)網(wǎng)站中來幫劣頊客訪問有興趣的產(chǎn)品信息。 分享大數(shù)據(jù)技術(shù)，剖析大數(shù)據(jù)案例，認(rèn)論大數(shù)據(jù)話題。 微信號： lpoutlook 微信號： cStor_ 國內(nèi)大數(shù)據(jù)龍頭企業(yè)。 of 65 31 分析 方法不過程 第三章 數(shù)據(jù)挖掘算法 客戶編號 性別 年齡（歲） 教育 程度 …… 距最近一次購買 時間（天） 月均購買 頻率 已消費金額 （元） 忠誠度級 別 20230231 男 30～ 40 大丏 …… 0～ 10 2～ 4 800～ 1000 0 20230232 女 20～ 30 本科 …… 10～ 20 0～ 2 0～ 500 1 …… …… …… …… …… …… …… …… …… 表 310 經(jīng)離散變換后的客戶信息表 本案例采用基亍信息論的 ID3決策樹分類算法進(jìn)行客戶忠誠度分析。 ？ 如何通過交叉銷售，得到更大的收入？ 如何在銷售數(shù)據(jù)中發(fā)掘顧客的消費習(xí)性，幵由交易記錄找出顧客偏好的產(chǎn)品組合？ 如何找出流失顧客的特征與推出新產(chǎn)品的時機 點 ？ 通過關(guān)聯(lián)觃則挖掘來發(fā)現(xiàn)和捕捉數(shù)據(jù)間隱藏的重要關(guān)聯(lián)，從而為產(chǎn)品營銷提供技術(shù)支撐。 典型的算法：序貫?zāi)Ｊ酵诰?SPMGC算法 序貫?zāi)Ｊ酵诰蛩惴?SPMGC（ Sequential Pattern Mining Based on Genera
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號-1