電子商務(wù)企業(yè)管理方案-資料下載頁(yè)
2025-01-12 23:40本頁(yè)面
【正文】 可理解的信息選擇的數(shù)據(jù)數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)挖掘過(guò)程模型1.定義商業(yè)問(wèn)題2.建立數(shù)據(jù)挖掘模型3.分析數(shù)據(jù)4.準(zhǔn)備數(shù)據(jù)5.建立模型6.評(píng)價(jià)模型7.實(shí)施數(shù)據(jù)挖掘和數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)源 數(shù)據(jù)倉(cāng)庫(kù)各分公司數(shù)據(jù)集市分析數(shù)據(jù)集市數(shù)據(jù)挖掘數(shù)據(jù)集市圖 1：數(shù)據(jù)挖掘庫(kù)從數(shù)據(jù)倉(cāng)庫(kù)中得出數(shù)據(jù)源 數(shù)據(jù)挖掘庫(kù)圖 2：數(shù)據(jù)挖掘庫(kù)從事務(wù)數(shù)據(jù)庫(kù)中得出數(shù)據(jù)挖掘模式分類模式 關(guān)聯(lián)模式順序模式 聚類模式 回歸模式時(shí)間序列模式分類 （ Classification）方法： 首先從數(shù)據(jù)中選出已經(jīng)分好類的訓(xùn)練集，在該訓(xùn)練集上運(yùn)用數(shù)據(jù)挖掘分類的技術(shù)，建立分類模型，對(duì)于沒(méi)有分類的數(shù)據(jù)進(jìn)行分類。例子： a. 信用卡申請(qǐng)者，分類為低、中、高風(fēng)險(xiǎn)注意： 類的個(gè)數(shù)是確定的，預(yù)先定義好的常用算法： Decision tree induction、 Neural works、 Geic algorithms、 KNearest neighbors 、 Case based reasoning、 Association Rule Model、 Decision Cluster model、 Rough set classification model 回歸（估值 Estimation）方法 估值與分類類似，不同之處在于，分類描述的是離散型變量的輸出，而估值處理連續(xù)值的輸出；分類的類別是確定數(shù)目的，估值的量是不確定的。例子： a. 根據(jù)購(gòu)買(mǎi)模式，估計(jì)一個(gè)家庭的孩子個(gè)數(shù)b. 根據(jù)購(gòu)買(mǎi)模式，估計(jì)一個(gè)家庭的收入c. 估計(jì) real estate的價(jià)值一般來(lái)說(shuō)，估值可以作為分類的前一步工作。給定一些輸入數(shù)據(jù)，通過(guò)估值，得到未知的連續(xù)變量的值，然后，根據(jù)預(yù)先設(shè)定的閾值，進(jìn)行分類。例如：銀行對(duì)家庭貸款業(yè)務(wù)，運(yùn)用估值，給各個(gè)客戶記分（ Score 0~1）。 然后，根據(jù)閾值，將貸款級(jí)別分類。關(guān)聯(lián)模式相關(guān)性分組或關(guān)聯(lián)規(guī)則（ Affinity grouping or association rules）兩種常用的技術(shù)是 關(guān)聯(lián)規(guī)則 和 序列模式 。關(guān)聯(lián)規(guī)則是尋找在同一個(gè)事件中出現(xiàn)的不同項(xiàng)的相關(guān)性；序列模式尋找的是事件之間時(shí)間上的相關(guān)性 例子： a. 超市中客戶在購(gòu)買(mǎi) A的同時(shí)，經(jīng)常會(huì)購(gòu)買(mǎi) B， 即 A = B(關(guān)聯(lián)規(guī)則 )b. 客戶在購(gòu)買(mǎi) A后，隔一段時(shí)間，會(huì)購(gòu)買(mǎi) B （ 序列分析）聚類（ Clustering）方法 聚類是對(duì)記錄分組，把相似的記錄在一個(gè)聚類里。聚類和分類的區(qū)別是聚類不依賴于預(yù)先定義好的類，不需要訓(xùn)練集。例子： a. 一些特定癥狀的聚類可能預(yù)示了一個(gè)特定的疾病b. 租 VCD類型不相似的客戶聚類，可能暗示成員屬于不同的亞文化群聚類通常作為數(shù)據(jù)挖掘的第一步。例如， “ 哪一種類的促銷對(duì)客戶響應(yīng)最好？ ” ，對(duì)于這一類問(wèn)題，首先對(duì)整個(gè)客戶做聚類，將客戶分組在各自的聚類里，然后對(duì)每個(gè)不同的聚類，回答問(wèn)題，可能效果更好。數(shù)據(jù)挖掘典型方法 神經(jīng)網(wǎng)絡(luò)?一個(gè)神經(jīng)網(wǎng)絡(luò)劃分為輸入層、輸出層和隱含層。輸入層的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)個(gè)的預(yù)測(cè)變量。輸出層的節(jié)點(diǎn)對(duì)應(yīng)目標(biāo)變量，可有多個(gè)。在輸入層和輸出層之間是隱含層（對(duì)神經(jīng)網(wǎng)絡(luò)使用者來(lái)說(shuō)不可見(jiàn)），隱含層的層數(shù)和每層節(jié)點(diǎn)的個(gè)數(shù)決定了神經(jīng)網(wǎng)絡(luò)的復(fù)雜度 ?神經(jīng)網(wǎng)絡(luò)常用于兩類問(wèn)題：分類和回歸123456輸入 輸出隱含層 一個(gè)神經(jīng)元網(wǎng)絡(luò)數(shù)據(jù)挖掘典型方法 決策樹(shù)收入 ￥40,000工作時(shí)間 5年 高負(fù)債高風(fēng)險(xiǎn) 低風(fēng)險(xiǎn)高風(fēng)險(xiǎn)低風(fēng)險(xiǎn)否否 否是是是 一棵簡(jiǎn)單的決策樹(shù)?決策樹(shù)中最上面的節(jié)點(diǎn)稱為 根節(jié)點(diǎn) ，是整個(gè)決策樹(shù)的開(kāi)始。每個(gè)分支要么是一個(gè)新的決策節(jié)點(diǎn)，要么是樹(shù)的結(jié)尾，稱為 葉子 。在沿著決策樹(shù)從上到下遍歷的過(guò)程中，在每個(gè)節(jié)點(diǎn)都會(huì)遇到一個(gè)問(wèn)題，對(duì)每個(gè)節(jié)點(diǎn)上問(wèn)題的不同回答導(dǎo)致不同的分支，最后會(huì)到達(dá)一個(gè)葉子節(jié)點(diǎn)。這個(gè)過(guò)程就是利用決策樹(shù)進(jìn)行分類的過(guò)程，利用幾個(gè)變量（每個(gè)變量對(duì)應(yīng)一個(gè)問(wèn)題）來(lái)判斷所屬的類別（最后每個(gè)葉子會(huì)對(duì)應(yīng)一個(gè)類別） 數(shù)據(jù)挖掘和聯(lián)機(jī)分析處理 OLAP是決策支持領(lǐng)域的一部分。傳統(tǒng)的查詢和報(bào)表工具是告訴你數(shù)據(jù)庫(kù)中都有什么（ what happened）， OLAP則更進(jìn)一步告訴你下一步會(huì)怎么樣（ What next）、 和如果我采取這樣的措施又會(huì)怎么樣（ What if） OLAP方法先建立一系列的假設(shè)，然后通過(guò) OLAP來(lái)證實(shí)或推翻這些假設(shè)來(lái)最終得到自己的結(jié)論OLAP分析過(guò)程在本質(zhì)上是一個(gè) 演繹推理 的過(guò)程數(shù)據(jù)挖掘是在數(shù)據(jù)庫(kù)中自己尋找模型 ，在本質(zhì)上是一個(gè) 歸納 的過(guò)程 數(shù)據(jù)挖掘和 OLAP具有一定的互補(bǔ)性 代理技術(shù) 基于代理技術(shù)的電子商務(wù)應(yīng)用 IBM智能商務(wù)解決方案 演講完畢，謝謝觀看！
物理相關(guān)推薦
鄂ICP備17016276號(hào)-1