数据挖掘---数据分析

第一步：分类问题

数据很多，但是信息很少

给出一推数据，数据带有属性

为什么能够分好坏呢，因为之前已经知道了，有训练集

数据分为两部分：第一部分为训练集–>生成模型
第二部分：测试集–>判定这个模型的好坏

用户的流失率、促销活动的响应和用户度的评价属于数据挖掘的分类问题。
掌握分类的特点，知道什么是监督学习，掌握常用的分类方法：决策树、拜厄斯、KNN、支持向量机、神经网络和Logistic回归。

第二步：聚类问题

细分市场和客户群细分属于数据挖掘的聚类问题。掌握聚类的特点，了解无监督学习，理解常用的聚类算法，如分区聚类、层次聚类、密度聚类、网格聚类、模型聚类等。

第三步：相关问题

交叉销售与相关问题相关，关联分析也被称为购物篮分析。掌握常用的关联分析算法：Aprior算法、CARMA算法、序列算法等。

第四步：预测问题

简单的线性回归分析、多元线性回归分析、时间序列

第一层次：理解水平

数据库+统计+ SPSS

第二层次：中级水平

R

第三层次：达到数据挖掘的划分层次

R+Python