太原网站建设方案服务,代理网址上网,免费开源网站模板,长春火车站照片一、挖掘频繁模式、关联和相关性
频繁模式#xff08;frequent pettern#xff09;是在数据中频繁出现的模式。
频繁项集一般是指频繁的在事务数据集中一起出现的商品的集合。
频繁出现的子序列#xff0c;如顾客倾向于先买相机#xff0c;再买内存卡这样的模式就是一个…一、挖掘频繁模式、关联和相关性
频繁模式frequent pettern是在数据中频繁出现的模式。
频繁项集一般是指频繁的在事务数据集中一起出现的商品的集合。
频繁出现的子序列如顾客倾向于先买相机再买内存卡这样的模式就是一个频繁序列模式。
子结构可能涉及不同的机构模式如图、数或格。如果一个子结构频繁出现则可称为频繁结构模式。
挖掘频繁模式可以发现数据中有趣的关联和相关性。
关联规则可分为单维关联规则和多维关联规则。
二、用于预测分析的分类与回归
分类是找出描述和区分数据类或概念的模型以便能够使用模型预测类标号未知的对象的类标号。
分类和回归是有监督的学习方法。数据集分为训练集和测试集。
分类是预测类别的标号。
回归是建立连续值函数模型即用来预测难以获得的数据值或缺失的数据。
两种方法可以成为数值预测和类标号预测。
三、聚类分析
聚类分析是一种无监督的学习方法。
聚类的特点是最大化类簇间的距离、最小化类簇内样本的距离。
四、离群点分析
大部分数据挖掘方法都将离群点视为噪声或异常而丢弃。
但在欺诈检测等应用中离群点的出现则很重要。 参考文献数据挖掘概念与技术原书第三版
