7-1-1分类与预测介绍 (1).pptx

第07章：数据挖掘与建模数据挖掘与建模

1.回归分析

文件操作基础分类与预测介绍单变量线性回归多变量线性回归逻辑回归信息熵与条件熵决策树

序列化1.1分类与预测介绍数据挖掘与建模的目的与意义把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律（数据模型）。通过分析得到的规律可以对未来业务数据进行预测，从而减少风险。通过数据分析可以得到当前数据的最终结果以及不同的结果表现方式。

序列化数据挖掘与建模的主要任务：分类(classification)与预测(predication)聚类分析(clustering)关联分析(associationanalysis)时序模式(time-seriespattern)离群点分析1.1分类与预测介绍

序列化问题提出：如何基于餐馆的历史销售记录，预测菜品销售趋势。预测哪些用户可能流失，哪些客户可能成为VIP用户。根据新菜品的材料、口味预测销售情况。预测就是要通过历史数据的分析发现规律，从而通过规律进行预测。1.1分类与预测介绍

序列化分类：将样本数据分成几个类别，将数据与类别相互对应，分类属于有监督学习的一种，分类是针对离散型数据的建模方式。预测：立两种或者两种以上变量之间相互依赖的函数模型，然后进行预测或者控制。设定体重x1（单位kg），身高x2（单位cm）x1-90%(x1-(x2-100)x0.9(kg))0偏瘦（模拟的运算公式）标准体重=(身高cm-100)x0.9(kg)在标准体重+-10%范畴内都算正常。1.1分类与预测介绍身高体重类别17080超重/018080正常/1

序列化分类：将样本数据分成几个类别，将数据与类别相互对应，通过分析数据属性与数据类别建立通过属性获取类别的数据模型，分类是针对离散型数据的建模方式。分类的步骤：通过训练数据得到分类模型。测试数据测试模型准确性。1.1分类与预测介绍身高体重类别17080超重/018080正常/1属性：身高、体重类别：状态（训练数据）N个样本数据分析算法分类模型规则函数（分类模型）属性：身高、体重类别：状态（测试数据）N个测试数据分类模型分类的结果集合

序列化预测：立两种或者两种以上变量之间相互依赖的函数模型，然后进行预测或者控制，预测的结果为连续数据。预测的步骤：通过训练数据得到分类模型。测试数据测试模型准确性。1.1分类与预测介绍菜品名时间销售数量清蒸鲈鱼2018-01-0130清炒竹笋2018-01-0120属性：菜品、时间输出：销售数量（训练数据）N个样本数据分析算法预测模型规则函数（预测模型）属性：菜品、时间输出：销售数量（测试数据）N个测试数据预测模型预测的销售数量

Thanks!放飞自由梦想，成就卓越人生Python快速入门