《数据挖掘导论》第一章之绪论

数据挖掘数学基础：

                             线性代数, 维度规约， 概率统计， 回归和优化

 

数据挖掘涵盖领域：

                 数据预处理，可视化，预测建模，关联分析，聚类，异常检测

 

数据挖掘涵盖主题：

               数据，分类，关联分析，聚类，异常检测

 

数据挖掘必要基础知识：

                       统计学，线性代数，机器学习

 

数据库中知识发现(KDD)：

                       （1）数据预处理：    特征选择，维规约，规范化，选择数据子集

                       （2）数据挖掘：

                       （3）后处理：       模式过滤， 可视化， 模式表示

 

数据挖掘借鉴的领域：

                                 （1）统计学： 抽样，估计和假设检验

                                 （2）人工智能，模式识别和机器学习：  搜索算法，建模技术和学习理论

                                   （3）最优化，进化计算，信息论，信号处理，可视化，信息检索

 

数据挖掘任务分类：

                                （1）预测任务：  根据 自变量 预测 因变量

                                 （2）描述任务： 导出概括数据中潜在联系的模式

                                                          （相关，趋势，聚类，轨迹和异常）

 

 

 

本书主要讲述数据挖掘任务：

                                       （1）预测建模：

                                                                      分类（classification）：预测离散的目标变量

                                                                       回归（regression）：预测连续的目标变量

                                       （2）关联分析：

                                                                  描述数据中强关联特征的模式

                                                                    模式：用蕴涵规则或特征子集的形式表示

                                       （3）聚类分析：发现紧密相关的观测值组群，使得属于统一簇的观测值之间尽可能相似

                                       （4）异常检测：识别异常点或离群点。

                                                                 异常点(离群点)： 特征显著不同于其他数据的观测值。