数据挖掘的应用分类.PDF

8 第 2 章 数据挖掘的应用分类 由于数据挖掘能分析出数据中的有用信息，给企业带来显著的经济效益，这使 数据挖掘技术越来越普及。如在销售数据中发掘顾客的消费习惯，并可从交易记录中 找出顾客偏好的产品组合，其他包括找出流失顾客的特征与推出新产品的时机点等都 是零售业常见的实例；利用数据挖掘分析顾客群的消费行为与交易纪录，结合基本数 据，并依其对品牌价值等级的高低来区隔顾客，进而达到差异化营销的目的；制造业 对数据挖掘的需求多运用在品质控管方面，从制造过程中找出影响产品品质最重要的 因素，以期提高作业流程的效率。 近几年，电话公司、信用卡公司、保险公司以及股票交易商对诈欺行为的侦测都 很有兴趣，这些行业每年因为诈欺行为而遭受的损失都非常巨大，数据挖掘可以从一 些信用不良的客户数据中找出相似特征并预测可能的诈欺交易，达到减少损失的目 的。金融业可以利用数据挖掘来分析市场动向，并预测个别公司的营运以及股价走 向。数据挖掘的另一个独特的用法是在医疗业，用来预测手术、用药、诊断或是流程 控制的效率。 归纳起来，数据挖掘技术的基本任务主要体现在分类与回归、聚类、关联规则、 时序模式、偏差检测五个方面。图 2-1 是典型的数据挖掘应用场景。 图 2-1 数据挖掘应用示例 2.1 分类与回归 我们经常会碰到这样的问题： 1）如何将信用卡申请人分为低、中、高风险群？ 2 ）如何预测哪些顾客在未来半年内会取消该公司服务，哪些电话用户会申请增 第 2 章 数据挖掘的应用分类 9 值服务？ 3 ）如何预测银行可以安全地贷给贷款人的贷款量？ 4 ）哪些使用 2G 通信网络的手机用户有可能转换到 3G 通信网络？ 5 ）如何有效预测房地产开发中存在的风险？ 除此之外，市场经理需要进行数据分析，以便帮助他预测具有某些特征的顾客会 购买一 台新的计算机；医学研究者希望分析乳腺癌数据，预测病人应 当 受三种具体 治疗方案 的哪一种 ；这些都是分类与回归的例子 。 2.1.1 分类与回归建模原理 分类（Classification ）：指将数据 映射到预先定义好的群组或类。 因为在分析测试数据之前 ，类别就已经确定了 ，所 以分类通常被称 为有监督 的学 习。分类算法要求基于数据属性值来定义类别，通常通过 已知所属类别的数据的特征 来描述类别。 分类就是构造一个分类 函数 （分类模型），把具有某些特征的数据项映射 到某个 给定 的类别上 。该过程由两步构成 。 模型创建 ：通过对训练数据集 的学 习来建立分类模型。 模型使用 ：使用分类模型对测试数据和新的数据进行分类。 其中的训练数据集是带有类标号 的，也就是说在分类之前 ，要划分的类别是 已经 确定 的。通常分类模型是以分类规则、决策树或数学表达式的形式给出，图 2-2 就是 一个三分类问题。 图 2-2 分类问题 回归（Regression ）：用属性 的历史数据预测未来趋势 。 回归首先假设一些 已知类型的 函数 （例如线性函数、Logistic 函数等）可以拟合 目标数据，然后利用某种误差分析确定一个与目标数据拟合程度最好的 函数，图 2-3 就是一个非线性 回归问题。 回归模式的函数 定义与分类模式相似，主要差别在于分类模式采 用 离散预测值 （例如类标号 ），而回归模式采用连续 的预测值。在这种观 点下 ，分类和 回归都是预测 问题。但数据挖掘业界普遍认 为：用预测法预测类标号为分类，预测连续值 （例如使 用回归方法）为预测。许 多问题可以用线性 回归解决 ，许 多非线性 问题可以通过对变 量进行变化，从而转换为线性 问题来解决 。分类与回归建模原理如图 2-4 所示 。 10 第一部分