数据挖掘

1.数据挖掘的建模过程
（1）定义挖掘目标—–根据具体的数据挖掘应用需求，明确本次的挖掘目标，系统完成后能达到什么样的效果。需要分析应用领域，其背景、情况及各种相关知识。
（2）数据取样—-从业务系统中抽取与挖掘目标相关的样本数据子集（相关性、可靠性、有效性）
（3）数据探索—–对抽取的样本数据进行探索、审核和必要的加工处理。
主要包括：异常值分析、缺失值分析、相关分析、周期性分析等。
数据质量分析
1.缺失值分析—主要包括记录的缺失和记录中某个字段信息的缺失。<缺失值产生的原因、影响、分析>通过简单的统计分析，获取缺失值属性个数及每个属性的缺失数、未缺失数和缺失率。
对于缺失值的处理：删除缺失值存在的记录、对可能值进行插补、不处理三种情况。
2.异常值分析—样本中的个别值（离群点）
（4）数据预处理—–解决采样数据维度过大时的降维处理、缺失值处理。采样数据中常常包含许多噪声、不完整甚至不一致的数据，采用数据预处理改善数据质量。
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—分析建模所属的类别–（分类、聚类、关联规则、时序模式或是智能推荐），并选择模型构建所需的算法。
(6)模型评价—-从建模过程中会得到一系列的分析结果，选取最好的模型，另外根据业务对模型进行解释和应用。

作者：依然在原点
来源：CSDN
原文：https://blog.csdn.net/u010004460/article/details/51207060
版权声明：本文为博主原创文章，转载请附上博文链接！