第1章 数据挖掘基础《Python数据分析与挖掘实战》.pptxVIP

数据挖掘基础 1 数据挖掘的基本任务 目录 数据挖掘发展史 2 数据挖掘的通用流程 3 常用数据挖掘建模工具 4 Python数据挖掘环境配置 5 数据挖掘的发展史 数据挖掘发展史 数据挖掘是知识发现中的核心部分，它是指从数据集合中自动抽取隐藏在数据中的那些有价值的信息的过程。 1 数据挖掘的基本任务 目录 数据挖掘发展史 2 数据挖掘的通用流程 3 常用数据挖掘建模工具 4 Python数据挖掘环境配置 5 分类与回归预测 分类是一种对离散型随机变量建模或预测的方法，如：客户流失预测；而回归是通过建模来研究变量之间相互关系的密切程度、结构状态以及进行模型预测的工具，如财政收入预测等。 数据挖掘的基本任务 聚类分析 代垫 聚类分析是指在预先不知道类别标签的情况下，根据信息的相似度原则进行信息聚集的一种方法。目的是使得类别内数据的“差异性”尽可能小(即“同质性”尽可能大)，类别间“差异性”尽可能大。 数据挖掘的基本任务 关联规则 关联模式挖掘旨在从大量的数据当中发现特征之间或数据之间的相互依赖关系。这种存在于给定数据集中的频繁出现的关联模式，又称为关联规则。 Buying Pattern 数据挖掘的基本任务 智能推荐 智能推荐用于联系用户和信息，并利用信息分析用户的兴趣偏好，为用户推荐感兴趣信息。 数据挖掘的基本任务 时间序列 对不同时间下取得的样本数据进行挖掘，用于分析样本数据之间的变化趋势，如：股指预测、天气预测等。 数据挖掘的基本任务 1 数据挖掘的基本任务 目录 数据挖掘发展史 2 数据挖掘的通用流程 3 常用数据挖掘建模工具 4 Python数据挖掘环境配置 5 数据挖掘的通用流程 数据挖掘的通用流程 抽取数据的标准：相关性、可靠性、有效性 衡量数据质量的标准：资料完整无缺，各类指标项齐全；数据准确无误，反映的都是正常状态下的水平。 数据挖掘的通用流程 抽取方式： 1 数据挖掘的基本任务 目录 数据挖掘发展史 2 数据挖掘的通用流程 3 常用数据挖掘建模工具 4 Python数据挖掘环境配置 5 常用数据挖掘建模工具 Python是一种面向对象、解释性的计算机程序设计语言，它拥有高效的数据结构。 R是一种由统计计算基金会支持的用于统计计算和图形的编程语言和自由软件环境，R语言及其库实现了各种各样的统计和图形技术，包括线性和非线性建模、时间序列分析、分类、聚类等。 常用数据挖掘建模工具 Matlab是一种主要用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言。 常用数据挖掘建模工具 SPSS(Statistical Product and Service Solutions)采用类似EXCEL表格的方式输入与管理数据，数据接口较为通用，能方便的从其他数据库中读入数据，输出结果十分美观。 常用数据挖掘建模工具 KNIME是基于Java开发的，采用类似数据流的方式来建立分析挖掘模型。 常用数据挖掘建模工具 RapidMiner也叫YALE(Yet Another Learning Environment)，提供图形化界面，拖拽操作，无需编程，运算速度快。 常用数据挖掘建模工具 TipDM开源建模平台是基于Python引擎的，可以通过拖拽功能组件的方式实现数据的输入输出，数据预处理，挖掘建模，模型评估等操作，以达到数据挖掘的目的。 常用数据挖掘建模工具 1 数据挖掘的基本任务 目录 数据挖掘发展史 2 数据挖掘的通用流程 3 常用数据挖掘建模工具 4 Python数据挖掘环境配置 5 Anaconda是一个Python的集成开发环境，可以便捷的地获取库，且提供对库的管理功能，对环境可以进行统一管理。 Python数据挖掘环境配置 Python数据挖掘环境配置 Python数据挖掘环境配置 Python数据挖掘环境配置 Python数据挖掘环境配置 Python数据挖掘环境配置 Python数据挖掘环境配置 小结 本章节主要介绍数据挖掘的基础知识，包括数据挖掘的发展史、基本任务、通用流程和常用工具，以及Python数据挖掘的环境配置。 数据挖掘的基本任务包括分类与回归、聚类、关联规则、智能推荐、时间序列。 数据挖掘的通用流程包括了目标分析、数据抽取、数据探索、数据预处理、分析与建模、模型评价。 常用的挖掘工具包括了Python、R、Matlab、IBM SPSS Modeler、TipDM开源数据挖掘建模平台等。 相关的实训、课程视频等资源： 相关的培训动态： /pxdt/index.jhtml