目录

一、概述

二、数据挖掘建模过程

1. 定义挖掘目标

2. 数据取样

   1）从业务系统中，抽取出一个与挖掘目标相关的样本数据子集

   2）数据质量！！！

   3）数据抽样

3. 数据探索

4. 数据预处理

5. 挖掘建模

6. 模型评价

三、常用数据挖掘建模工具

一、概述

1. 从大量数据中挖掘出隐含的、未知的、对决策有潜在价值的关系、模式和趋势，并用这些知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。

2. 数据挖掘的基本任务包括利用分类与预测、聚类分析、关联规则、时序模式、偏差检测、智能推荐等方法，帮助企业提取数据中蕴含的商业价值，提高企业的竞争力

二、数据挖掘建模过程

1. 定义挖掘目标

    背景知识、用户需求

2. 数据取样

   1）从业务系统中，抽取出一个与挖掘目标相关的样本数据子集

        抽取数据的标准：①相关性 ②可靠性 ③有效性

   2）数据质量！！！

        无缺 无误

   3）数据抽样

• 随机抽样
• 等距抽样
• 分层抽样
• 从起始顺序抽样
• 分类抽样——在每个类中 进行上面的抽样

3. 数据探索

    挖掘模型的质量不会超过抽取样本的质量

    先验知识——明显的趋势或规律、没出现过的数据状态、属性之间的相关性、可以被区分为什么类别等

• 异常值分析
• 缺失值分析
• 相关分析
• 周期性分析

4. 数据预处理

• 数据筛选
• 数据变量转换
• 缺失值处理
• 坏数据处理
• 数据标准化
• 主成分分析
• 属性选择
• 数据规约

5. 挖掘建模

    哪类问题：分类、聚类、关联规则、时序模式、智能推荐

6. 模型评价

三、常用数据挖掘建模工具

1. SAS Enterprise Miner
2. IBM SPSS Modeler
3. SQL
4. Python
5. Weka
6. Knime
7. rapidMiner
8. tipDM

最后

以上就是酷酷小猫咪为你收集整理的Python数据分析与挖掘实战——第一章 一、概述 二、数据挖掘建模过程三、常用数据挖掘建模工具的全部内容，希望文章能够帮你解决Python数据分析与挖掘实战——第一章 一、概述 二、数据挖掘建模过程三、常用数据挖掘建模工具所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。