清华大学大数据课程第4次课：数据挖掘技术.pptxVIP

大数据课程系列数据挖掘技术分类·聚类·关联规则清华大学大数据课程·第4次课2026

课程导览01任务与流程数据挖掘全景与标准流程02分类算法决策树、SVM与随机森林03聚类算法K-Means、DBSCAN与层次聚类04关联规则Apriori与FP-Growth05选型与实践场景适配与案例复盘

SECTION01任务与流程从数据到知识，挖掘是发现隐含规律的系统方法

数据挖掘的任务体系Q数据挖掘如何区别于普通查询？A特征是从海量、高维、异构数据中自动发现隐含且有潜在价值的模式。四大任务类型三大数学支柱四大任务类型分类训练集建模，将新数据划入已有类别聚类无标签条件下，按相似性自动分组关联规则挖掘项之间的共现关系预测建模输出连续数值或不确定性量化三大数学支柱信息增益率解决属性选择偏差频繁项集剪枝关联挖掘复杂度从指数级降至多项式级簇中心迭代实现聚类收敛

从数据到知识的流程01业务需求定义明确行业痛点与挖掘目标02数据采集与预处理清洗缺失值、重复值与异常值，完成归一化与特征筛选03挖掘模型选择按场景匹配分类、聚类或关联算法04模型训练与规律挖掘执行算法并提取模式05结果评估与业务落地剔除无效规律，结论转化为可执行策略底层依赖数据工程能力所有算法共同依赖数据工程能力——缺失值插补、异常检测、标准化与特征构造。特征质量往往比算法选择更决定成败。

SECTION02分类算法从规则树到集成