数据挖掘论文解读.docx

pa车行数据挖掘案例 ——电子商务数据挖掘应用 内容摘要 本论文讨论了电子商务中应用数据挖掘工具的现状与主流方法，并通过pa车行的数据挖掘案例分析C4.5、k-means聚类、贝叶斯聚类三种方法的原理、实现与案例并讨论不同方法的优缺点和局限性。 关键字 C4.5；k-means聚类；贝叶斯聚类 目录 1电子商务和数据挖掘概述 1 1．1 电子商务 1 1．2 数据挖掘技术 1 1．3. 数据挖掘过程 2 1. 3. 1 确立目标 2 1．3．2 数据准备 2 1. 3. 3 模式分析 2 2. 数据挖掘的具体应用场景和意义 3 2.1决策树分类算法 3 2.1.1C4.5算法简介 3 2.1.2 C4.5算法的实现 4 2.1.3 C4.5算法的基本原理 5 2.1.4实例：本论文以C4.5算法计算pa车行的各项指标对其影响 7 2.2k-means算法 8 2.2.1k-means算法简介 8 2.2.2 K-means原理 8 2.2.3实例：本论文以k-means算法计算pa车行的各项指标聚类结果 9 2.3贝叶斯分类算法 9 2.3.1贝叶斯分类算法简介 9 2.3.2 贝叶斯分类算法原理 10 2.3.3实例：本论文以贝叶斯分类算法算法计算pa车行的各项指标聚类结果 10 1电子商务和数据挖掘概述 1．1 电子商务 　　电子商务是指个人或企业通过Internet网络，采用数字化电子方式进行商务数据交换和开展商务业务活动。目前国内已有网上商情广告、电子票据交换、网上订购，网上、网上支付结算等多种类型的电子商务形式。电子商务正以其低廉、方便、快捷、安全、可靠、不受时间和空间的限制等突出优点而逐步在全球流行。电子商务是指以Internet网络为载体、利用数字化电子方式开展的商务活动。随着网络技术和数据库技术的飞速发展，电子商务正显示越来越强大的生命力。电子商务的发展促使公司内部收集了大量的数据，并且迫切需要将这些数据转换成有用的信息和知识，为公司创造更多潜在的利润。利用数据挖掘技术可以有效地帮助企业分析从网上获取的大量数据，发现隐藏在其后的规律性，提取出有效信息，进而指导企业调整营销策略，给客户提供动态的个性化的高效率服务 1．2 数据挖掘技术 　 数据挖掘(Data Mining)，又称数据库中的知识发现(Knowledge Discovery in Database, KDD)，是从大量的、不完全的、有噪声的、模糊的和随机的数据中，提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。数据挖掘是一门广义的交叉学科，它汇聚了不同领域尤其是数据库、人工智能、数理统计、可视化、并行计算等方面的知识。数据挖掘技术从一开始就是面向应用领域，它不仅是面向特定数据库的简单检索查询调用，而且，要对数据进行微观、中观乃至宏观的统计、分析、综合和推理，以指定实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。数据挖掘技术在金融、保险、电信、大型超市等积累有大量数据的电子商务行业有着广泛的应用，如信用分析、风险分析、欺诈检验、用户聚类分析、消费者习惯分析等。 　　 而电子商务中的数据挖掘是一项综合技术涉及到Internet技术学、人工智能、、信息学、学等多个领域。 1．3. 数据挖掘过程 　挖掘数据过程可以分为3个步骤：确立分析目标，数据预准备，模式分析，挖掘结果的表述和评价。 1. 3. 1 确立目标 清晰地定义业务问题和认清数据挖掘的目标是进行数据挖掘的第一步，也是最重要 步。要想充分发挥数据挖掘的价值，首要的条件是要对用户的目标有一个清晰明确的定义 因此，在挖掘之前要明确业务的目标和需求。 1．3．2 数据准备 实际系统中的数据一般都具有不完全性、冗余性和模糊性。因此，数据挖掘一般不对原始数据进行挖掘，要通过预处理提供准确、简洁的数据。预处理主要完成以下工作：包括合并数据，将多个文件或多个数据库中的数据进行合并处理；选择数据，提取出适合分析的数据集合；数据清洗、过滤，剔除一些无关记录，将文件、图形、图像及多媒体等文件转换成可便于数据挖掘的格式等。  1. 3. 3 模式分析 模式分析是从模式发现阶段获得的模式、规则中过滤掉不感兴趣的规则和模式。通过技术手段，对得到的模式进行数据分析，得出有意义的结论。常用的技术手段有：关联规则、分类、聚类、序列模式等。 电子商务是现代信息技术发展的必然结果，也是未来商业运作模式的必然选择。利用数据挖掘技术来分析大量的数据，可以挖掘出商品的消费规律与客户的访问模式，帮助企业制定有效的营销策略，充分发挥企业的独特优势，促进管理创新和技术创新，提高企业竞争力。在大多数的商业领域中，业务发展的主要指标包括新客户的获取能力。企业的市