分類算法:根據(jù)數(shù)據(jù)、數(shù)據(jù)已有的特點，將其分為不同的類別，如決策樹、樸素貝葉斯、支持向量機等算法。聚類算法:數(shù)據(jù)按照相似度進行分組，例如，KMeans聚類，層次聚類等算法。關(guān)聯(lián)規(guī)則挖掘:尋找數(shù)據(jù) set中項目之間的關(guān)聯(lián)，比如Apriori算法。預(yù)測建模:使用歷史數(shù)據(jù)模型查找未來趨勢和預(yù)測，如回歸分析和時間序列分析。

Direct-2挖掘:目標是使用可用的數(shù)據(jù)來建立模型，該模型可用于剩余的數(shù)據(jù)和特定變量(可以理解為)Indirect數(shù)據(jù)挖掘:特定變量而是在所有變量之間建立一種關(guān)系。數(shù)據(jù) 挖掘神經(jīng)網(wǎng)絡(luò)方法神經(jīng)網(wǎng)絡(luò)因其良好的魯棒性、自組織和適應(yīng)性、并行處理、分布式存儲和高容錯性，非常適合解決數(shù)據(jù) 挖掘的問題，近年來受到越來越多的關(guān)注。

遺傳算法由于其隱含的并行性和易于與其他模型結(jié)合，在-2挖掘中得到了應(yīng)用。決策樹方法決策樹是常用用于預(yù)測模型的一種算法，它通過有目的地對大量數(shù)據(jù)進行分類，發(fā)現(xiàn)一些有價值和潛在的信息。其主要優(yōu)點是描述簡單，分類速度快，特別適合大規(guī)模數(shù)據(jù)處理。粗糙集理論是一種研究不精確和不確定知識的數(shù)學(xué)工具。粗糙集方法有幾個優(yōu)點:它不需要給出額外的信息；簡化輸入信息的表達空間；該算法簡單，易于操作。

1、樸素貝葉斯樸素貝葉斯(NB)屬于一種生成式模型(即需要計算特征和類的聯(lián)合概率分布)，計算過程非常簡單，做一堆計數(shù)就行。NB有一個條件獨立性假設(shè)，即在類別已知的情況下，特征之間的分布是獨立的。這樣，樸素貝葉斯分類器會比判別模型收斂得更快，比如logistic回歸，所以只需要較少的訓(xùn)練數(shù)據(jù)。即使NB條件獨立性假設(shè)不成立，NB分類器在實踐中仍然表現(xiàn)良好。

2.Logistic回歸Logistic回歸是一種分類方法，屬于判別模型。正則化模型的方法有很多(L0，L1，L2)，不需要像樸素貝葉斯那樣擔心特征是否相關(guān)。與決策樹和SVM相比，它將得到很好的概率解釋，甚至可以很容易地用新的數(shù)據(jù)(使用onlinegradientdescent算法)更新模型。

13種常用-2挖掘技術(shù)一、前沿-2挖掘是從大量的不完整、不完整。數(shù)據(jù) 挖掘的任務(wù)是從數(shù)據(jù)中尋找模式。可以發(fā)現(xiàn)的模式有很多，按照功能可以分為兩類:預(yù)測型模式和描述型模式。

數(shù)據(jù) 挖掘涉及的學(xué)科和技術(shù)很多，分類也很多。根據(jù)挖掘 task可分為分類或預(yù)測模型發(fā)現(xiàn)、數(shù)據(jù)摘要、聚類、關(guān)聯(lián)規(guī)則發(fā)現(xiàn)、序列模式發(fā)現(xiàn)、依賴或依存模型發(fā)現(xiàn)、異常和趨勢發(fā)現(xiàn)等。根據(jù)挖掘 object，有關(guān)系數(shù)據(jù) library，面向?qū)ο髷?shù)據(jù) library，space 數(shù)據(jù) library，時態(tài)數(shù)據(jù) library和Web/.根據(jù)挖掘方法，大致可以分為:機器學(xué)習(xí)方法、統(tǒng)計方法、神經(jīng)網(wǎng)絡(luò)方法和數(shù)據(jù)庫方法。

回歸分析、聚類、關(guān)聯(lián)規(guī)則、特征、變異和偏差分析、網(wǎng)頁挖掘等。，分別從不同角度對數(shù)據(jù) 挖掘進行。數(shù)據(jù)挖掘analysis常用的方法主要有分類、回歸分析、聚類、關(guān)聯(lián)規(guī)則、特征、變化和偏差分析、網(wǎng)頁。①分類。分類是在數(shù)據(jù)庫中找出一組數(shù)據(jù)對象的共同特征并按照分類模式將其劃分到不同的類中，目的是通過分類模型將數(shù)據(jù)庫中的數(shù)據(jù)項映射到給定的類別中。

分類就是在一組類別標簽已知的樣本中訓(xùn)練一個分類器，使其能夠?qū)σ粋€未知樣本進行分類。分類算法的分類過程是建立一個分類模型來描述預(yù)先確定的數(shù)據(jù)集合或概念集合，通過分析屬性所描述的數(shù)據(jù)庫元組來構(gòu)造模型?？梢詤⒖肌３Ｓ脭?shù)據(jù)挖掘算法分為以下幾類:神經(jīng)網(wǎng)絡(luò)、遺傳算法、回歸算法、聚類分析算法和貝葉斯算法。目前已經(jīng)進入數(shù)據(jù)的時代，所以-2挖掘和數(shù)據(jù)就業(yè)前景非常好，學(xué)好數(shù)據(jù)分析和-2/。同時，大數(shù)據(jù)分析不是一朝一夕的事情，而是需要你積累的數(shù)據(jù)處理經(jīng)驗，不會輕易被替代。

1。分析可視化數(shù)據(jù)分析專家或普通用戶，數(shù)據(jù)可視化是數(shù)據(jù)分析工具的最基本要求?？梢暬梢灾庇^地展示數(shù)據(jù)，讓數(shù)據(jù)自己說話，讓觀眾聽到結(jié)果。2.數(shù)據(jù)挖掘算法(數(shù)據(jù) 挖掘算法)可視化是給人看的，數(shù)據(jù)挖掘是給機器看的。聚類、分割、離群點分析等算法讓我們深入到數(shù)據(jù) interior、挖掘 value。

3.預(yù)測分析能力-2挖掘可以讓分析師更好的理解數(shù)據(jù)，預(yù)測分析可以讓分析師基于視覺分析和數(shù)據(jù)。4.SemanticEngines(語義引擎)由于非結(jié)構(gòu)化數(shù)據(jù)的多樣性給數(shù)據(jù)分析帶來了新的挑戰(zhàn)，需要一系列的工具來解析、提取和分析數(shù)據(jù)。