数据挖掘模型介绍2016详解.pptx

刘海飞;2;数据挖掘(Data Mining)是通过分析每个数据，从大量数据中寻找其规律的技术。 3个步骤：数据准备、规律寻找和规律表示。 挖掘任务：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。 由Daimler Chrysler、SPSS和NCR三家机构共同发展起来的数据挖掘方法论（Http://） CRISP-DM（Cross-Industry Standard Process for Data Mining，跨行业数据挖掘标准流程）注重数据挖掘技术的应用。CRISP-DM过程模型从商业的角度给出对数据挖掘方法的理解。目前数据挖掘系统的研制和开发大都遵循CRISP-DM标准，将典型的挖掘和模型的部署紧密结合。;4;数据挖掘(Data Mining)技术主要无监督和有监督两大类。无监督数据挖掘：不区别对待各个变量，而只是考察变量间的关系。有监督数据挖掘：从数据中获得深度细致的信息，根据一些变量建立模型，来预测另一些变量。 有监督数据挖掘方法：聚类分析、因子分析、主成分分析、神经网络、预测等； 无监督数据挖掘方法： 关联规则挖掘、时序挖掘、偏差分析等。 ;6;Building Tree;决策树进行分类步骤;决策树算法;伪代码(Building Tree);信息增益度度量;训练集(举例);使用信息增益进行属性选择;使用信息增益进行属性选择;使用信息增益进行属性选择;使用信息增益进行属性选择;使用信息增益进行属性选择;使用信息增益进行属性选择;Decision Tree (结果输出);20;21;22;23;24;聚类分析无处不在;聚类分析无处不在;27;聚类分析原理介绍;聚类分析条件;30;31;2聚类分析—举例说明;33;34;35;36;37;38;39;40;41;42;43;44;45;46;47;回归大类：线性回归、多元回归和非线性回归;49;50;51;52;53;54;;;如果 N个样品中的每个样有p个指标x1， x2，…，xp，经过主成分分析，将它们综合成m个综合变量，即;58;59;;已知纽约上市的三只化学产业证券(AC、DP、UC)和两只石油产业证券(EX、TE)100周的收益率调查资料。各证券的收益率依次用X1、X2、X3、X4、X5表示,且样本的平均收益率和相关矩阵R如下，要求对证券收益率做主成分分析和因子分析，并解释其意义。;;主成分分析结果：;因子分析结果（1）;;因子分析结果（3）;67;68;69;70;71;72;73;74;75;76;77;78