第四章数据挖掘应用描述.pptVIP

第四章 数据挖掘应用案例 4.1 案例一：零售商系统货蓝数据挖掘 4.2 案例二：通信用户满意度指数评测 4.3 案例三：城市环境质量评价 第四章 数据挖掘应用案例数据挖掘是从海量数据中发现有趣知识的而过程，这些知识是隐含的、事先未知的潜在有用信息，挖掘的知识表示形式为概念、规则、规律和模式等，是建立在数据仓库基础上的高层应用。结合领域知识和数据分析技术，数据挖掘为许多特定领域提供解决方案，包括金融、零售和通信、科学与工程、入侵检测和防护等。同时也会影响人们购物、工作、搜索信息、使用计算机、保护隐私和数据安全，以及休闲、健康和幸福等日常生活。随着数据挖掘技术的广泛应用，由此所带来的影响也将继续。 第四章 数据挖掘应用案例第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 第四章 数据挖掘应用案例 4.3 案例三：城市环境质量评价（续）对于采集到的空气污染物的数据（SO2、NO、NO2、NOx、PM10和PM2.5值的含量），首先根据我国城市空气质量分级标准，分为优（Ⅰ）、良（Ⅱ）、轻微污染（Ⅲ）、轻度污染（Ⅳ）、中度污染（Ⅴ）、中度重污染（Ⅵ）、重污染（Ⅶ）七个等级。这样，经过预处理的数据包括1个类别项（空气等级）和6个影响分类的属性项（空气污染物）。 4.3 案例三：城市环境质量评价（续）4、城市环境质量评价数据挖掘的模型构建城市环境质量评价的数据挖掘采用C4.5决策树构建模型。模型的输入包括两部分，一部分是建模专家样本数据（包括训练样本和验证样本）的输入，另一部分是建模参数的输入。部分原始样本数据经过预处理后如表4.6所示。随机抽取与处理数据（共320个数据）中2/3的数据，即240个数据样本，作为训练集构造决策树并生成决策规则。 4.3 案例三：城市环境质量评价（续） SO2 NO NO2 NOx PM10 PM2.5 空气等级 0.034 0 0.048 0.047 0.085 0.058 Ⅰ 0.025 0 0.053 0.053 0.07 0.048 Ⅱ 0.013 0 0.029 0.066 0.057 0.04 Ⅰ 0.026 0 0.026 0.026 0.049 0.034 Ⅰ 0.018 0 0.027 0.027 0.051 0.035 Ⅰ 0.019 0 0.052 0.053 0.06 0.04 Ⅱ 0.022 0 0.059 0.06 0.064 0.042 Ⅱ 0.023 0.01 0.085 0.099 0.07 0.044 Ⅱ 0.022 0.012 0.066 0.081 0.073 0.042 Ⅱ 0.01