《数据挖掘》策略

1. 数据挖掘策略可以广义地分为有指导和无指导两类；
2. 有指导学习通过使用输入属性来预测输出属性值的方式建模，有许多有指导数据挖掘算法仅允许单个输出属性；
   由于其输出属性的结果依赖于一个或多个输入属性值，故输出属性又称为因变量； 所有用于建模的属性都是自变量
3. 有指导学习策略可以按照输出属性是离散的还是分类的，以及设计的模型是用来确定当前条件还是预测未来结果，进一步分类
   
   
4. 【分类】，可能是所有数据挖掘策略中最耗理解的，一般有三个特征：
   （1）学习是有指导的
   （2）因变量是分类的
   （3）重点在于建立模型，将新的实例指派给一组定义明确的类中的一个
   每个例子处理的都是当前的而不是未来行为
5. 【估计】，目的在于确定一个未知输出属性的值；然而与分类模型不同的是，对于一个估计问题，其输出属性值（一个或多个）是数值的而不是分类的
6. 【预测】，与分类模型和估计模型不同的是，预测模型的目的在于确定未来的输出结果而不是当前的行为； 预测模型的输出属性（一个或多个）可以使分类的或数值型的
7. 规则准确度，是指在前面的前提条件下，输出属性正确的概率为多少；
   规则覆盖率，是指在当前的实例中，复合这些前提条件的实例比例
8. 【无指导聚类】，我们没有因变量来指导学习过程，相反，学习规程通过使用聚类质量度量将实例分为两个或更多个类，来建立知识结构； 无指导聚类策略的主要目的在于发现数据中的概念结构
   作用在于：（1）确定能否在数据中发现概念形式的有意义的关系；（2）评估一个有指导学习模型的性能（3）确定有指导学习的最佳输入属性集合（4）侦测孤立点
9. 【购物篮分析】，目的是找到零售产品之间有趣的关系