7-数据挖掘技术的应用——以空调冷冻站设备为例.pptx

数据挖掘技术的应用——以空调冷冻站设备为例

（利用Excel数据分析建模——示例讲解录像）

以中央空调冷冻站冷水机组、冷冻泵、冷却泵为例，示例通过历史运行数据，利用Excel中的数据分析功能，通过选定参数对能耗、能效等特性进行回归分析、判断回归质量指标值、获得模型与模型验证的基本方法

内容

数据挖掘及其流程

冷水机组能耗与COP模型挖掘

冷冻泵扬程、能耗与效率模型挖掘

冷却泵扬程、能耗与效率模型挖掘

延伸拓展：

数据分析与挖掘概述/Android_xue/article/details一个完整的数据分析、挖掘流程详细介绍/Together_CZ/article/details一、数据挖掘及其流程

数据挖掘则广泛交叉数据库知识、统计学、机器学习、人工智能等方法，对搜集来的数据进行“采矿”，发现其中未知的规律和有用的知识，进一步应用于数据化运营，让数据产生更大的价值。

数据挖掘更侧重于技术的实现，对业务知识的熟练度并没有很高的要求，如何从海量的数据中发现未知的模式和规律，是数据挖掘的目的所在，只有技术过硬，才能实现挖掘项目的落地。

数据挖掘更多的是模型或规则的输出，通过模型或规则可对未知标签的数据进行预测，如预测交通的畅通度（预测模型）、判别用户是否响应某种营销活动（分类算法）；通过模型或规则实现智能的商业决策，如推荐用户可能购买的商品（推荐算法）、划分产品所属的群类（聚类算法）等。

数据挖掘与数据分析的对比

对比角度

数据分析

数据挖掘

定义

描述和探索性分析，评估现状和修正不足

技术性的“采矿”过程，发现未知的模式和规律

侧重点

实际的业务知识

挖掘技术的落地，完成“采矿”过程

技能

统计学、数据库、Excel、可视化等

过硬的数学功底和编程技术

结果

需结合业务知识解读统计结果

模型或规则

数据挖掘的流程

据不完全统计，建模前的数据准备将占整个数据挖掘流程80%左右的时间，可谓“地基不牢，地动山摇”。

常用的数据分析与挖掘工具

R语言

R语言是由奥克兰大学统计系的RobertGentleman和RossIhaka共同开发的，并在1993年首次亮相。其具备灵活的数据操作、高效的向量化运算、优秀的数据可视化等优点，受到用户的广泛欢迎。近年来，由于其易用性和可扩展性也大大提高了R语言的知名度。同时，它也是一款优秀的数据挖掘工具，用户可以借助强大的第三方扩展包，实现各种数据挖掘算法的落地。

Python

Pyhton是由荷兰人GuidovanRossum于1989年发明的，并在1991年首次公开发行。它是一款简单易学的编程类工具，同时，其编写的代码具有简洁性、易读性和易维护性等优点，也受到广大用户的青睐。其原本主要应用于系统维护和网页开发，但随着大数据时代的到来，数据挖掘、机器学习、人工智能等技术越发热门，进而促使了Python进入数据科学的领域。Python同样拥有各种五花八门的第三方模块，用户可以利用这些模块完成数据科学中的工作任务。例如，pandas、statsmodels、scipy等模块用于数据处理和统计分析；matplotlib、seaborn、bokeh等模块实现数据的可视化功能；sklearn、PyML、keras、tensorflow等模块实现数据挖掘、深度学习等操作。

Weka

Weka由新西兰怀卡托大学计算机系IanWritten博士于1992年末发起开发，并在1996年公开发布Weka2.1版本。它是一款公开的数据挖掘平台，包含数据预处理、数据可视化等功能，以及各种常用的回归、分类、聚类、关联规则等算法。对于不擅长编程的用户，可以通过Weka的图形化界面完成数据分析或挖掘的工作内容。

SAS

SAS是由美国北卡罗来纳州大学开发的统计分析软件，当时主要是为了解决生物统计方面的数据分析。在1976年成立SAS软件研究所，经过多年的完善和发展，最终在国际上被誉为统计分析的标准软件，进而受到各个领域的广泛应用。SAS由数十个模块构成，其中Base为核心模块，主要用于数据的管理和清洗、GHAPH模块可以帮助用户实现数据的可视化、STAT模块则涵盖了所有的实用统计分析方法、EM模块则是更加人性化的图形界面，通过托拉拽的方式实现各种常规挖掘算法的应用。

SPSS

SPSS是世界上最早的统计分析软件，最初由斯坦福大学的三个研究生在1968年研发成功，并成立SPSS公司，而且在1975年成立了SPSS芝加哥总部。用户可以通过SPSS的界面实现数据的统计分析和建模、数据可视化及报表输出，简单的操作受到了众多用户的喜爱。除此之外，SPSS还有一款Modeler工具，其前身是Clementine，2009年被IBM收购后，对其性能和功能做了大幅的改进和提升。该工具充分体现了数据挖掘