本文是作者对数据挖掘理论的心得整理，主要来源于两本教材。重点介绍了决策树的不同版本，如ID3、C4.5、CART等，并讨论了过度拟合的对策。此外，还探讨了人工神经网络的基本结构和训练过程，以及数据离散化的方法。
整理整理最近的学习心得，理论和实践各写一文。本文是对理论的整理。
主要知识来自于以下两本书
1.《数据挖掘基础教程》（印）K.P.Soman Shyam Diwakar
2.《数据挖掘技术 -- 市场营销、销售与客户关系管理领域应用》（美）Michael J.A.Berry
先做个简单的评价，
第1本书的亮点是决策树那章，这是我见到的书中讲得最详细的。
第2本书的亮点是人工神经网络那章，这是我见到的书中讲得最详细的。另外，第二本书提供了大量实例，概念的描述依托于这些实例。这使得理解变得很容易。
现在，开始做内容整理。
@协同过滤
为什么要使用协同过滤？最前提的假设是，寻找信息的人应当能利用人们已经发现和评估的信息。
@数据挖掘的挑战
算法的并行式版本，分布式版本，非内存版本
@数据挖掘的主要类型
类型1-分类学习
分类学习的输出形式: 决策树、神经网路、规则
类型2-关联学习
类型3-聚类
聚类的输出形式:
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
