数据挖掘常用的方?/p>
在大数据时代?/p>
数据挖掘
是最关键的工作。大数据的挖掘是从海量、不完全的、有?/p>
声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的
过程,也是一种决策支持过程。其主要基于人工智能,机器学习,模式学习,统计学等?/p>
通过对大数据高度自动化地分析,做出归纳性的推理,从中挖掘出潜在的模式,可以帮助
企业、商家、用户调整市场政策、减少风险、理性面对市场,并做出正确的决策。目前,
在很多领域尤其是在商业领域如银行、电信、电商等,数据挖掘可以解决很多问题,包括
市场营销策略制定、背景分析、企业管理危机等。大数据的挖掘常用的方法有分类、回?/p>
分析、聚类?/p>
关联规则
、神经网络方法?/p>
Web
数据挖掘等。这些方法从不同的角度对?/p>
据进行挖掘?/p>
(1)
分类。分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为
不同的类,其目的是通过分类模型,将数据库中的数据项映射到摸个给定的类别中。可?/p>
应用到涉及到应用分类、趋势预测中,如淘宝商铺将用户在一段时间内的购买情况划分成
不同的类,根据情况向用户推荐关联类的商品,从而增加商铺的销售量?/p>
(2)
回归分析。回归分析反映了数据库中数据的属性值的特性,通过函数表达数据映射
的关系来发现属性值之间的依赖关系。它可以应用到对数据序列的预测及相关关系的研?/p>
中去?/p>
在市场营销中,
回归分析可以被应用到各个方面?/p>
如通过对本季度销售的回归分析?/p>
对下一季度的销售趋势作出预测并做出针对性的营销改变?/p>
(3)
聚类。聚类类似于分类,但与分类的目的不同,是针对数据的相似性和差异性将一
组数据分为几个类别。属于同一类别的数据间的相似性很大,但不同类别之间数据的相似
性很小,跨类的数据关联性很低?/p>