Introducción a varios métodos de análisis de minería de datos.

Primero, seleccione un conjunto de entrenamiento clasificado de los datos. En este conjunto de entrenamiento, utilice la tecnología de clasificación de minería de datos para construir un modelo de clasificación para clasificar datos no clasificados.

Ejemplo:

a Los solicitantes de tarjetas de crédito se clasifican en riesgo bajo, medio o alto.

B. Asignar clientes a grupos de clientes predefinidos.

Nota: El número de clases es fijo y predefinido.

Estimación (estimación)

La estimación es similar a la clasificación, excepto que la clasificación describe la salida de variables discretas, mientras que la estimación se ocupa de la salida de valores continuos; determinado, el importe de la valoración es incierto.

Ejemplo:

A. Estimar el número de niños en una familia según los patrones de compra.

B. Estimar los ingresos de una familia según los patrones de compra.

C. Estimación del valor de un inmueble

De forma general, la valoración puede utilizarse como paso previo a la clasificación. Dados algunos datos de entrada, el valor de la variable continua desconocida se obtiene mediante estimación y luego se clasifica según el umbral preestablecido. Por ejemplo, en el negocio de préstamos hipotecarios, los bancos utilizan valoraciones para calificar a cada cliente (0 a 1). Luego, las calificaciones de los préstamos se clasifican según umbrales.

Predicción (predicción)

Normalmente la predicción funciona mediante clasificación o estimación, es decir, mediante clasificación o estimación se obtiene un modelo para predecir variables desconocidas. En este sentido, no hay necesidad de separar las profecías en una categoría separada. El propósito del pronóstico es predecir variables desconocidas en el futuro. Se necesita tiempo para verificar esta predicción, lo que significa que se necesita una cierta cantidad de tiempo para conocer la precisión de la predicción.

Agrupación de asociaciones o reglas de asociación.

Decidan juntos qué pasará.

Ejemplo:

A. Los clientes del supermercado suelen comprar A y B al mismo tiempo, es decir, A = & gtb (regla de asociación)

B. Cliente Después de comprar A, compraré B de vez en cuando (análisis de secuencia).

Agrupación (clustering)

Agregación es agrupar registros y colocar registros similares en una agregación. La diferencia entre agregación y clasificación es que la agregación no depende de clases predefinidas y no requiere un conjunto de entrenamiento.

Ejemplo:

A. Un grupo de síntomas específicos puede indicar una enfermedad específica.

B. Los clientes que alquilan diferentes tipos de VCD se reúnen, lo que puede implicar que los miembros pertenecen a diferentes grupos subculturales.

La agregación suele ser el primer paso en la minería de datos. Por ejemplo, ¿qué tipo de promociones provocarán la mejor respuesta de los clientes? Para este tipo de preguntas, probablemente sea mejor agrupar primero el conjunto completo de clientes, agrupar a los clientes en sus propios conjuntos y luego responder preguntas para cada conjunto diferente.

Descripción y Visualización (Descripción y Visualización)

Es la representación de los resultados de la minería de datos.