1數據倉庫和:

數據倉庫是用于長期存儲數據的倉庫. 這些數據來自多個數據源，并進行組織以支持管理決策. 這些數據存儲在統一模型中，通常會進行匯總. 數據倉庫提供了一些數據分析功能，稱為分析處理.

: 傳統關系的主要應用.

2數據挖掘功能

特征: 研究類別（目標類別）的一般摘要數據挖掘概念與技術，通常通過查詢來收集與用戶指定類別相對應的數據. 例如: 對執行SQL查詢以收集產品數據.

區分: 將目標數據對象的一般特征與一個或多個對比對象的一般特征進行比較.

頻繁模塊: 頻繁項目集（頻繁項目集挖掘是頻繁模式挖掘的基礎），頻繁子序列和頻繁子結構. ->在數據中發現的興趣和相關性分析: buys（X數據挖掘概念與技術，“ computer”）=> buys（X，“ software”）[support = 1％，confidence = 50％] 50％的信心和1％的支持. 涉及單個重復的屬性或謂詞（“購買”）稱為一維關聯規則. 多維關聯規則的示例: age（X，“ 20 ... 29”）

收入（X，“ 40K..49K”）= >>購買（X，“筆記本電腦”）[support = 2％，confidence = 60％]（解釋: 年齡收入對購買的影響）

如果關聯規則不能同時滿足最小支持閾值和最小置信度閾值，則將其視為無趣的. ，

相關性分析: 在分類和回歸之前，請嘗試識別與分類和回歸過程顯著相關的屬性.

分類: 找到描述和區分數據類或概念的模型. 一次，您可以使用模型來預測帶有類標簽的未知對象的類標簽. 例如決策樹，神經網絡

回歸: 建立一個連續值函數模型，用于預測實際或難以獲得的數值數據，而不是類標簽.

聚類: 分析對象不考慮標簽，而是根據最大化類內相似度并最小化類間相似度的原理進行聚類或分組.

異常值分析: 都異常挖掘. 可以通過統計檢查來檢測它，并將其應用于欺詐檢測.

3一個有趣的模型: （1）易于理解（2）在一定的置信度內，對新數據或測試數據有效（3）可能有用的（4）新穎

4種數據挖掘技術

本文來自本站，轉載請注明本文網址：
http://www.pc-fly.com/a/jisuanjixue/article-249494-1.html