数据挖掘之关联分析.pptVIP

数据挖掘の关联分析

概念数据挖掘(DataMining)是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示3个步骤。数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等。关联分析是指如果两个或多个事物之间存在一定的关联,那么其中一个事物就能通过其他事物进行预测.它的目的是为了挖掘隐藏在数据间的相互关系。

数据挖掘能做什么分类〔Classification〕首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。例子：a.信用卡申请者，分类为低、中、高风险b.故障诊断：中国宝钢集团与上海天律信息技术合作，采用数据挖掘技术对钢材生产的全流程进行质量监控和分析，构建故障地图，实时分析产品出现瑕疵的原因，有效提高了产品的优良率。

数据挖掘能做什么估计〔Estimation〕估计与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类??数据挖掘的类别是确定数目的，估值的量是不确定的。例子：a.根据购置模式，估计一个家庭的孩子个数b.根据购置模式，估计一个家庭的收入c.估计realestate的价值一般来说，估值可以作为分类的前一步工作。例如：银行对家庭贷款业务，运用估值，给各个客户记分〔Score0~1〕。然后，根据阈值，将贷款级别分类。

数据挖掘能做什么预测〔Prediction〕通常，预测是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。

数据挖掘能做什么相关性分组或关联规那么〔Affinitygroupingorassociationrules〕决定哪些事情将一起发生。例子：a.超市中客户在购置A的同时，经常会购置B，即A=B(关联规那么)b.客户在购置A后，隔一段时间，会购置B〔序列分析〕

数据挖掘能做什么聚类〔Clustering〕聚类是对记录分组，把相似的记录在一个聚集里。聚类和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。例子：a.一些特定病症的聚集可能预示了一个特定的疾病b.租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群

数据关联我们会发现很多网站都具备了内容推荐的功能，这类功能无疑在帮助用户发现需求，促进商品购置和效劳应用方面起到了显著性的效果。那么这类的推荐是怎么得到的呢？？？

数据关联关联推荐在营销上被分为两类：向上营销(UpMarketing)：根据既有客户过去的消费喜好，提供更高价值或者其他用以加强其原有功能或者用途的产品或效劳。交叉营销(CrossMarketing)：从客户的购置行为中发现客户的多种需求，向其推销相关的产品或效劳。

数据关联向上营销是基于同类产品线的升级或优化产品的推荐，而交叉营销是基于相似但不同类的产品的推荐。

数据关联关联推荐在实现方式上也可以分为两种：以产品分析为根底的关联推荐以用户分析为根底的关联推荐比方《WebAnalytics》和《WebAnalytics2.0》的作者都是AvinashKaushik，而且书名都包含WebAnalytics，都是网站分析类的书籍，同时也可能是同一个出版社……那么基于产品的关联就可以向购置了《WebAnalytics》的用户推荐《WebAnalytics2.0》。

数据关联关联推荐在实现方式上也可以分为两种：以产品分析为根底的关联推荐以用户分析为根底的关联推荐基于用户分析的推荐是通过分析用户的历史行为数据，可能会发现购置了《WebAnalytics》的很多用户也买了《TheElementsofUserExperience》这本书，那么就可以基于这个发现进行推荐。关联规那么

数据关联经典案例：沃尔玛的啤酒和尿布的故事关联规那么

基于用户行为分析的关联推荐更有利于发现用户的潜在需求，帮助用户更好的选择它们需要的产品，并由用户决定是否购置，也就是所谓的“拉式”营销。通过向用户推荐产品或效劳，激发用户的潜在需求，促使用户消费，更加符合“以用户为中心”的理念。以电子商务网站为例来说明一下关联规那么的