數(shù)據(jù)挖掘技術在電子商務中的應用論(編輯修改稿)
2025-02-04 09:17 本頁面
【文章內容簡介】 類或者分布。 決策樹算法是目前應用最廣泛的歸納推理算法之一，是一種逼近離散值函數(shù)的方法，也可將它看作是一個布爾函數(shù)。它是以實例為基礎的歸納學習算法，通過對一組訓練數(shù)據(jù)的學習 ，構造出決策樹形式的只是表示，在決策樹的內節(jié)點進行屬性值的比較并根據(jù)不同的屬性值判斷從該節(jié)點向下的分枝，從而在決策樹葉節(jié)點得到結論。所以從根到葉節(jié)點的一條路徑就對應著一條規(guī)則，整棵決策樹就對應著一組吸取表達式規(guī)則。 神經(jīng)網(wǎng)絡 神經(jīng)網(wǎng)絡是指由大量神經(jīng)元互聯(lián)而成的網(wǎng)絡，類似于服務器互聯(lián)而成的因特網(wǎng)。它主要由“神經(jīng)元”的互聯(lián)，或按組織的結點構成。通常神經(jīng)網(wǎng)絡模型由三個層次組成：輸入層，中間層，輸出層。 在神經(jīng)元求得輸入值后，再匯總計算總輸入值；由過濾機比較總輸出值，確定網(wǎng)絡的輸出值?？梢酝ㄟ^模擬判斷 ，來不斷修正計算的“權值”來達到學習的目的，增加判斷的正確性。 粗糙集 粗糙值是一種研究不確定性問題的工具，它根據(jù)已有的給定問題的知識，對問題論域進行劃分，然后對劃分后的每個組成部分確定其對某個概念的支持程度。它用于從數(shù)據(jù)庫中發(fā)現(xiàn)分類規(guī)則的基本思路是將數(shù)據(jù)庫中的屬性分為條件屬性和結論屬性。對數(shù)據(jù)庫中的元組根據(jù)各個屬性不同的屬性值分成相應的子集，然后對條件屬性劃分的子集與結論屬性劃分的子集之間上下近似關系生成判定規(guī)則。 回歸分析 回歸分析分為線性回歸、多元回歸和非線性回歸。線性回歸 中，數(shù)據(jù)是用直線建模；多元回歸是線性回歸的擴展，涉及多個預測變量。非線性回歸是在基本線性模型上添加多個項式項形成為線性回歸模型。 1. 數(shù)據(jù)挖掘階段分析 數(shù)據(jù)挖掘階段作為整個項目的重中之重，通常數(shù)據(jù)挖掘的流程包括項目理解、數(shù)據(jù)理解、數(shù)據(jù)準備、建立模型、模型評估和模型發(fā)布等。 項目理解階段 此階段主要確定項目目標，訂立項目成功的標準，完成項目形勢評估及制定項目執(zhí)行計劃等等。項目成功的標準是模型的準確率達到多少、純度達到多少等，而形式評估則主要對項目實施未來可能遇到的問題作一個簡單的評估，業(yè)務及行業(yè)規(guī)則不斷變 化，模型在應用過程中會遇到各種問題等。至于項目計劃則是對整個項目需要的時間，資源作一個整體的規(guī)劃把控。除此之外，此階段還需要對相關專業(yè)術語進行解釋說明等。 數(shù)據(jù)理解和數(shù)據(jù)準備 數(shù)據(jù)挖掘對數(shù)據(jù)的依賴性非常高，為了能夠實現(xiàn)數(shù)據(jù)挖掘的目標，要求收集的數(shù)據(jù)足夠全，質量盡量高。通常在這個階段花費的時間占整個項目的一半還多。原始數(shù)據(jù)采集完后，還需要對數(shù)據(jù)進行描述和處理，比如進一步探查已選變量與目標變量之間是否存在關系，各變量數(shù)據(jù)的基本探查，如空值數(shù)目、唯一值數(shù)目、最小最大值的統(tǒng)計以及數(shù)據(jù)質量檢驗等。 建立模型階段 數(shù)據(jù)挖掘項目的建立模型都要經(jīng)過三個階段：建立模型，測試并調整模型，應用模型。建立模型，就得選擇相應的建模技術，可能應用到?jīng)Q策樹、神經(jīng)網(wǎng)絡及回歸分析等統(tǒng)計技術，在項目運營的各個階段，數(shù)據(jù)不同，運營宣傳方式也不同，這就可能利用模型的組合，各個項目階段采用不同的模型進行預測分析。 模型評估階段 模型的應用通常需要較長周期的檢驗才能準確的評估其是否滿足商業(yè)標準，在傳統(tǒng)行業(yè)，這個評估通常在模型應用一年后作出。此外，對于設計的模型，不但要評 估模型的準確性和通用性，還要努力找出相關商業(yè)理由解釋說明模型的欠缺，把生成的結果與建模初訂立的標準進行對比，同時根據(jù)目前的狀況對數(shù)據(jù)倉庫變量
公司管理相關推薦
鄂ICP備17016276號-1