本文介绍了大数据挖掘的多个关键概念，包括数据挖掘流程、知识发现模型、分类方法、关联规则挖掘、聚类分析、决策树和数据挖掘工具的发展阶段。还涉及了数据挖掘相关技术如数据库、统计学和人工智能的融合，以及评估挖掘结果有效性的标准。此外，探讨了数据挖掘在Web挖掘、文本挖掘中的应用和相关算法如K-近邻、K-means、ID3和Apriori的优缺点及改进策略。
下面是一些关于大数据挖掘的知识点，今天和大家一起来学习一下。
1. 数据、信息和知识是广义数据表现的不同形式。
2. 主要知识模式类型有：广义知识，关联知识，类知识，预测型知识，特异型知识
3. web挖掘研究的主要流派有：Web结构挖掘、Web使用挖掘、Web内容挖掘
4. 一般地说，KDD是一个多步骤的处理过程，一般分为问题定义、数据抽取、数据预处理，数据挖掘以及模式评估等基本阶段。
5. 数据库中的知识发现处理过程模型有：阶梯处理过程模型，螺旋处理过程模型，以用户为中心的处理结构模型，联机KDD模型，支持多数据源多知识模式的KDD处理模型。
6. 粗略地说，知识发现软件或工具的发展经历了独立的知识发现软件、横向的知识发现工具集和纵向的知识发现解决方案三个主要阶段，其中后面两种反映了目前知识发现软件的两个主要发展方向。
7. 决策树分类模型的建立通常分为两个步骤：决策树生成，决策树修剪。
8. 从使用的主要技术上看，可以把分类方法归结为四种类型：
基于距离的分类方法
决策树分类方法
贝叶斯分类方法
规则归纳方法
9. 关联规则挖掘问题可以划分成两个子问题：
发现频繁项目集:通过用户给定Minsupport ，寻找所有频繁项目集或者最大频繁项目集。
生成关联规则:通过用户给定Minconfidence ，在频繁项目集中，寻找关联规则。
10. 数据挖掘是相关学科充分发展的基础上被提出和发展的，主要的相关技术：
数据库等信息技术的发展
统计学深入应用
人工智能技术的研究和应用
11. 衡量关联规则挖掘结果的有效性，应该从多种综合角度来考虑：
准确性：挖掘出的规则必须反映数据的实际情况。
实用性：挖掘出的规则必须是简洁可用的。
新颖性：挖掘出的关联规则可以为用户提供新的有价值信息。
12. 约束的常见类型有：
单调性约束;
反单调性约束;
可转变的约束;
简洁性约束.
如果你对大数据挖掘感兴趣，想系统学习大数据的话，可以加入大数据技术学习交流扣扣群：458数字345
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
