5数据挖掘过程讲解.ppt

数据仓库与数据挖掘;数据仓库与数据挖掘;第五章 数据挖掘过程;5.1 数据挖掘的方法与基本流程;5.1.1 数据挖掘的体系结构;5.1.2 数据挖掘的过程模型;（1） Fayyad数据挖掘模型;（1） Fayyad数据挖掘模型;（1） Fayyad数据挖掘模型;（2） CRISP-DM模型;（2） CRISP-DM模型;（2） CRISP-DM模型;（2） CRISP-DM模型;（2） CRISP-DM模型;（2） CRISP-DM模型;（2） CRISP-DM模型;（2） CRISP-DM模型;（2） CRISP-DM模型;5.1.3 数据挖掘的基本流程;第五章 数据挖掘过程;5.2 数据预处理;5.2.1 数据的收集和准备;5.2.1 数据的收集和准备;5.2.2 数据清理;5.2.2 数据清理;5.2.2 数据清理——空缺值 ;5.2.2 数据清理——噪声数据 ;数据平滑的分箱方法;5.2.2 数据清理——噪声数据;5.2.2 数据清理——不一致数据 ;5.2.3 数据集成;5.2.3 数据集成;5.2.3 数据集成;5.2.3 数据集成;5.2.4 数据变换;5.2.4 数据变换;5.2.4 数据变换;5.2.4 数据变换;5.2.4 数据变换;5.2.4 数据变换;5.2.4 数据变换;5.2.4 数据变换;5.2.5 数据归约;5.2.5 数据归约——数据立方体聚集 ;5.2.5 数据归约——维归约 ;5.2.5 数据归约——维归约;5.2.5 数据归约——维归约;5.2.5 数据归约——维归约;5.2.5 数据归约——维归约;5.2.5 数据归约——维归约;5.2.5 数据归约——数据压缩 ;5.2.5 数据归约——数据压缩;5.2.5 数据归约——数据压缩;5.2.5 数据归约——数值归约 ;5.2.5 数据归约——数值归约;5.2.5 数据归约——数值归约;5.2.5 数据归约——数值归约;5.2.5 数据归约——数值归约;5.2.5 数据归约——数值归约;5.2.5 数据归约——数值归约;5.2.5 数据归约——数值归约;5.2.5 数据归约——数值归约;5.2.5 数据归约——数值归约;5.2.6 离散化和概念分层生成 ;数值数据的离散化和概念分层的生成 ;数值数据的离散化和概念分层的生成;数值数据的离散化和概念分层的生成;数值数据的离散化和概念分层的生成;数值数据的离散化和概念分层的生成;数值数据的离散化和概念分层的生成;数值数据的离散化和概念分层的生成;数值数据的离散化和概念分层的生成;数值数据的离散化和概念分层的生成;分类数据的概念分层生成 ;分类数据的概念分层生成 ;分类数据的概念分层生成;分类数据的概念分层生成;分类数据的概念分层生成;分类数???的概念分层生成;分类数据的概念分层生成;5.2.7 微软数据转换服务（DTS）;第五章 数据挖掘过程;5.3 确定主题和定义数据挖掘任务;5.3.1 确定主题;（1）了解主题的局限性 ;（2）选择良好的主题 ;（3）主题的类型 ;（3）主题的类型;（3）主题的类型;（3）主题的类型;（3）主题的类型;（3）主题的类型;（3）主题的类型;（4）哪些因素需要分析 ;（4）哪些因素需要分析;（4）哪些因素需要分析;（4）哪些因素需要分析;（5）数据抽样问题 ;5.3.2 定义数据挖掘任务;第五章 数据挖掘过程;5.4 数据挖掘的模型建立与理解;5.4.1 读入数据并建立模型;（1）关于模型的准确性;（2）关于模型的可理解性;（3）关于模型的性能;（4）描述和可视化;5.4.2 理解模型;（1）模型概要 ;（1）模型概要;（1）模型概要;（2）数据分布 ;（3）验证与评估;（3）验证与评估;（3）验证与评估;（3）验证与评估;第五章 数据挖掘过程;5.5 预测 ;5.5 预测;5.5 预测;第五章 数据挖掘过程;5.6 数据挖掘中常见的一些问题