数据挖掘基本概念和应用.pptVIP

数据挖掘基本概念与应用 腾讯研究院 数据分析研究室 报告内容 数据挖掘的基本概念 数据挖掘与统计分析 数据挖掘的基本算法 数据挖掘实施方法论 总结与讨论 什么是数据挖掘？ 为什么会出现数据挖掘？ 其他数据分析方法：统计学 数据挖掘：多学科的汇合 数据挖掘是一个过程 数据挖掘过程中的数据预处理 数据清洗 填充缺失值, 修均噪声数据, 识别或删除孤立点, 并解决数据不一致问题 主要分析方法：分箱（Binning）、聚类、回归 数据集成 多个数据库、数据方或文件的集成 数据变换 规范化与汇总 数据简化 减少数据量的同时, 还可以得到相同或相近的分析结果 主要分析方法：抽样、主成分分析 数据离散化 数据简化的一部分, 但非常重要 (尤其对于数值型数据来说) 数据挖掘过程中的数据探索 探索性数据分析（Exploratory Data Analysis, EDA） 探索性地查看数据，概括数据集的结构和关系 对数据集没有各种严格假定 “玩”数据 主要任务 数据可视化（a picture is worth a thousand words） 残差分析（数据＝拟合 + 残差） 数据的重新表达（什么样的尺度－对数抑或平方根－会简化分析？） 方法的耐抗性（对数据局部不良的不敏感性，如中位数耐抗甚于均值） 常见方法 统计量，如均值、方差、根方差、协方差、峰度、偏度、相关系数等 统计图，如饼图、直方图、散点图、箱尾图等 模型，如聚类 什么不是数据挖掘？ 定量分析（Quantitative Analysis）的需要存在企业管理运行的各个侧面或环节，但并非所有的定量分析问题都可以归结到数据挖掘范畴的问题。 简单的报表、图表及多维分析仍是日常分析工作的主要内容 小样本数据的分析传统统计分析方法更成熟有效，如趋势预测 某些特定业务问题无法用数据挖掘算法加以解决，例如 资源最优配置问题是个运筹学问题 某些物流管理问题或者供应链管理问题是个随机规划问题 营销预演本质是个系统仿真问题 报告内容 数据挖掘的基本概念 数据挖掘与统计分析 数据挖掘的基本算法 数据挖掘实施方法论 总结与讨论 统计学与数据挖掘的联系 从处理数据数据挖掘中采用了大量统计学的思想、方法和工具 聚类分析（无监督学习过程，统计分析中的主要技术） K-Means Self Organizing Map (SOM) 数据分类（有监督学习过程） 统计分类技术：距离判别，费雪判别，贝叶斯判别 数据挖掘中的分类技术 ：决策树，神经网络 其他方法 相关分析 主成分分析 回归分析 序列分析 统计学与数据挖掘的区别 数据 样本数量不同（在统计学中样本数量大于30，则成为大样本） 数据来源和质量不同 数据挖掘既可以处理结构化数据，也可以处理非结构化和异型数据 方法 数据挖掘的前提是占有大量数据，统计中的实验设计、抽样设计并不适用 有些数据挖掘的分析方法是统计学中没有的，如强调实时分析 统计分析方法在对大规模数据处理时占用系统的资源和时间太多，不适宜采用，因此数据挖掘大量采用神经网络、遗传算法等人工智能方法 模型（模式） 模型（统计学） VS 模式（数据挖掘） 统计建模强调模型的普适性，数据挖掘强调从数据中发现模式 算法 统计学强调模型，运算量居于次要地位 数据挖掘的精华在于结果的未知性，强调探索性分析，与之对应的是算法而不是模型 方法论 统计学：以数学为基础，每种方法有严格的证明体系 数据挖掘：采用实验方法，不具有很强的严谨性 数据挖掘相对于统计学的特点 使用数据挖掘工具无须具备太专业的统计知识，处理大量的实际数据更有优势，使得数据挖掘人员可以集中精力在业务建模方面 数据挖掘从大型数据库提取所需数据，利用专属计算机软件进行分析，更能满足企业的需求 从理论的角度来看，数据挖掘与统计学不同，其目的在于方便企业的末端使用者应用，而非为统计学家提供检验工具 报告内容 数据挖掘的基本概念 数据挖掘与统计分析 数据挖掘的基本算法 数据挖掘实施方法论 总结与讨论 几个基本概念 模型（Model） vs 模式（Pattern） 数据挖掘的根本目的就是把样本数据中隐含的结构泛化（Generalize）到总体（Population）上去 模型：对数据集的一种全局性的整体特征的描述或概括，适用于数据空间中的所有点，例如聚类分析 模式：对数据集的一种局部性的有限特征的描述或概括，适用于数据空间的一个子集，例如关联分析 算法（Algorithm）：一个定义完备（well-defined）的过程，它以数据作为输入并产生模型或模式形式的输出 描述型挖掘（Descriptive） vs 预测型挖掘（Predictive） 描述型挖掘：对数据进行概括，以方便的形式呈现数据