大数据分析与挖掘-Part1-绪论
大数据基本特征(4V)
- Volume 数据体量大
- Variety 数据多样性,且多为非结果型数据
- Value 价值密度低
- Velocity 速度快,实时性高,对于高速动态数据流,处理数据越即时,产生的价值越大
(大)数据挖掘概念
从大量数据中抽取出有价值的信息和模式的过程
数据挖掘一般流程
数据集选取
一般数据集是已经存在的或者至少知道如何获得的(访问某个资料库,网上过滤抓取需要的数据,问卷调查手动收集等)。数据集的选取对数据挖掘模式是否有趣起决定作用。常用的数据集网站是UCI:https://archive.ics.uci.edu/ml/datasets/
数据预处理
为什么要进行数据预处理?
初试数据集的准备和变换是数据挖掘过程中重要的步骤。
包含大量不完整,含噪声和不一致的数据是大数据应用中的典型特点。
数据的预处理能有效提高数据质量,节约大量的时间和空间。
大部分数据挖掘算法对输入数据的格式,质量以及规模有一定的要求。
常用数据处理方法
数据预处理目的是提高数据质量:准确性、完整性和一致性,方法包括数据清理、数据集成、数据规约和数据变换方法。
数据分析(挖掘)
常用方法有:
- 关联规则挖掘:用于发现隐藏在大型数据集中令人感兴趣的联系,所发现的模式通常用关联规则或者频繁项集的形式表示。
- 分类与预测:事先利用已有数据建立数学模型,再使用数据模型对将来的或未知的对象进行分类。
- 聚类分析:是一种无指导的分类,将一组数据对象划分为若干个簇,簇内数据是相似的,簇间的数据是相异的。
- 异常点检测
获取数据模式,将其评估与表示为知识
,簇间的数据是相异的。
- 异常点检测