这篇博客涵盖了数据挖掘的主要步骤和模型，包括数据准备时的缺失值处理（如平均值填充、KNN填充）、线性回归、降维技术（如PCA、LDA）、聚类算法（如K-means、DBScan）、分类方法（如逻辑回归、SVM、神经网络）以及深度学习（如RBM、DBN、卷积网络）。此外，还讨论了异常检测和推荐系统的基本原理。
数据准备
缺失值处理
直接删除
不处理
填充
平均值填充 Mean/Model Completer
热卡填充 Hot Deck Imputation
K邻近 KNN
使用所有可能的值填充 Assigning All Possible values of the Attribute
组合完整化方法 Combinatorial Completer
线性回归
多重填充
期望值最大化方法（Expectation maximization，EM）
多重填补（Multiple Imputation，MI）
C4.5方法
粗糙集方法
关联规则
神经网络
贝叶斯网络
ETL降维
主成份分析 PCA
线性判别分析 LDA
等距映射 LPP
局部线性嵌入 Isomap
特征映射 LLE
局部保留投影
最低0.47元/天 解锁文章
5552
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
