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。
1、定义挖掘目标
2、数据取样
抽取数据的标准,一是相关性,二是可靠性,三是有效性,而不是动用全部企业数据。
常见的抽样方式:
随机抽样
等距抽样
分层抽样
从起始顺序抽样
分类抽样
3、数据探索
要探索的内容包括:数据集是否达到我们设想的要求;样本中有没有明显的规律和趋势;有没有出现从未设想过的数据状态;属性之间有什么相关性;它们可区分成怎样一些类别……
数据探索和预处理的目的是保证样本数据的质量,从而为保证模型质量打下基础。
数据探索主要包括:异常值分析、缺失值分析、相关性分析和周期性分析等。
4、数据预处理
数据预处理主要包括: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、数据规约等。
5、挖掘建模(核心环节)
考虑本次建模属于数据挖掘中的哪类问题(分类、聚类、关联规则、时序模式或智能推荐),选用哪种算法进行模型构建。
6、模型评价
针对建模过程中得出的一系列结果,模型评价的目的是从这些模型中自动找出一个最好的模型,根据业务对模型进行解释和应用。