相關(guān)性通常用于銷售點(diǎn)系統(tǒng)，以確定產(chǎn)品之間的共同趨勢(shì)。2.分類我們可以使用多個(gè)屬性來(lái)標(biāo)記特定類別的項(xiàng)目。分類將項(xiàng)目分配到目標(biāo)類別或類中，以便準(zhǔn)確預(yù)測(cè)該類中會(huì)發(fā)生什么。有些行業(yè)會(huì)對(duì)客戶進(jìn)行分類。3.聚類"聚類是一種組合的方法數(shù)據(jù) records "查看對(duì)象分組可以幫助企業(yè)進(jìn)行市場(chǎng)細(xì)分。在本例中，聚類可用于將市場(chǎng)細(xì)分為客戶子集。

數(shù)據(jù) 挖掘本質(zhì)或機(jī)器學(xué)習(xí)算法可以在數(shù)據(jù)挖掘十種常見算法中找到，主要解決分類。大數(shù)據(jù) 挖掘: 1的算法。樸素貝葉斯，超級(jí)簡(jiǎn)單，就像做一些計(jì)數(shù)工作一樣。如果條件獨(dú)立性假設(shè)成立，NB會(huì)比判別模型收斂得更快，所以你只需要一點(diǎn)訓(xùn)練數(shù)據(jù)。即使條件獨(dú)立性假設(shè)不成立，NB在實(shí)踐中的表現(xiàn)依然出奇的好。

與NB的條件獨(dú)立性假設(shè)相比，LR不需要考慮樣本是否相關(guān)。與決策樹和支持向量機(jī)不同，NB有很好的概率解釋，用新的訓(xùn)練數(shù)據(jù)更新模型很容易。如果想要一些概率信息或者希望在以后有更多數(shù)據(jù)的時(shí)候方便的更新和改進(jìn)模型，LR是值得使用的。3.決策樹，DT很好理解和解釋。DT是非參數(shù)的，所以不需要擔(dān)心異常值(或異常值)和數(shù)據(jù)是否線性可分。DT的主要缺點(diǎn)是容易過(guò)擬合，這也是提出隨機(jī)森林等集成學(xué)習(xí)算法的原因。

large數(shù)據(jù)(bigdata)，或稱“巨量數(shù)據(jù)”，是指涉及如此巨量數(shù)據(jù)的信息，以至于無(wú)法被當(dāng)前主流的軟件工具捕捉、管理、處理和整理成更積極的目的，以幫助企業(yè)在合理的時(shí)間內(nèi)做出商業(yè)決策。(在維克多·邁耶、勛伯格和肯尼斯·庫(kù)克耶寫的《Da 數(shù)據(jù)次》中，Da 數(shù)據(jù)是指采用所有方法數(shù)據(jù)而不是隨機(jī)分析(抽樣調(diào)查)的捷徑)。

數(shù)據(jù)的四個(gè)“V”有四個(gè)特點(diǎn):第一，數(shù)據(jù)巨大。從TB級(jí)跳到PB級(jí)；第二，數(shù)據(jù)有很多類型。前面提到的博客、視頻、圖片、地理信息等等。再次，來(lái)源數(shù)據(jù)直接導(dǎo)致分析結(jié)果的準(zhǔn)確性和真實(shí)性。如果數(shù)據(jù)的來(lái)源完整真實(shí)，最終的分析結(jié)果和決策會(huì)更加準(zhǔn)確。第四，處理速度快，一秒定律。

謝謝邀請(qǐng)。數(shù)據(jù) 挖掘:神經(jīng)網(wǎng)絡(luò)方法神經(jīng)網(wǎng)絡(luò)由于其良好的魯棒性、自組織性和適應(yīng)性、并行處理、分布式存儲(chǔ)和高容錯(cuò)性，非常適合解決數(shù)據(jù) 挖掘，因此近年來(lái)越來(lái)越受到人們的青睞。遺傳算法遺傳算法是一種基于生物自然選擇和遺傳機(jī)制的隨機(jī)搜索算法，是一種仿生全局優(yōu)化方法。遺傳算法因其隱含的并行性和易于與其他模型結(jié)合，在數(shù)據(jù) 挖掘中得到應(yīng)用。

其主要優(yōu)點(diǎn)是描述簡(jiǎn)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(shí)的數(shù)學(xué)工具。粗糙集方法有幾個(gè)優(yōu)點(diǎn):它不需要給出額外的信息；簡(jiǎn)化輸入信息的表達(dá)空間；該算法簡(jiǎn)單，易于操作。粗糙集處理的對(duì)象是類似于二維關(guān)系表的信息表。覆蓋正例拒斥反例法是利用覆蓋所有正例拒斥所有反例的思想來(lái)尋找規(guī)律。首先，從正例集中選擇一個(gè)種子，逐個(gè)與反例集進(jìn)行比較。

數(shù)據(jù)分析:一般要分析的目標(biāo)明確，分析條件明確。數(shù)據(jù) 挖掘:目標(biāo)不是很明確，只好依靠挖掘算法，找出隱藏在數(shù)據(jù)大量中的規(guī)則、模式和規(guī)律。數(shù)據(jù)分析的目的與數(shù)據(jù) 挖掘不同。數(shù)據(jù)分析有明確的分析組，即在各個(gè)維度上對(duì)組進(jìn)行拆解、劃分、組合，找出問題，還有數(shù)據(jù)。我們需要分析數(shù)據(jù) more的內(nèi)在聯(lián)系，結(jié)合業(yè)務(wù)、用戶和數(shù)據(jù)進(jìn)行更多的洞察和解讀。

區(qū)別:Big 數(shù)據(jù)是互聯(lián)網(wǎng)的大眾數(shù)據(jù) 挖掘，而數(shù)據(jù) 挖掘更多的是針對(duì)內(nèi)部企業(yè)的小眾/。數(shù)據(jù)分析就是做出有針對(duì)性的分析和診斷。需要分析的是趨勢(shì)和發(fā)展。數(shù)據(jù)挖掘主要發(fā)現(xiàn)問題和診斷。釋義:大數(shù)據(jù):指在可承受的時(shí)間范圍內(nèi)，常規(guī)軟件工具無(wú)法捕捉、管理和處理的數(shù)據(jù)的集合。它是一種海量、高增長(zhǎng)、多元化的信息資產(chǎn)，需要新的處理模式來(lái)?yè)碛懈鼜?qiáng)的決策、洞察和流程優(yōu)化能力；在維克多·邁耶、勛伯格和肯尼斯·庫(kù)克耶寫的《Da 數(shù)據(jù) Time》中，Da 數(shù)據(jù)是指所有數(shù)據(jù)都用于分析，沒有隨機(jī)分析(抽樣調(diào)查)的捷徑。

da數(shù)據(jù):數(shù)據(jù)/da數(shù)據(jù):/的核心。我們從頭到尾都是分不開的數(shù)據(jù) 挖掘。其實(shí)從大學(xué)開始我們就一直在接觸數(shù)據(jù) 挖掘，但是我們并不關(guān)心數(shù)據(jù) 挖掘是什么。我們關(guān)心的是怎么打通數(shù)據(jù)。如何開始？總結(jié)的過(guò)程也是一個(gè)學(xué)習(xí)的過(guò)程，目前正在學(xué)習(xí)的內(nèi)容是通過(guò)章節(jié)的安排來(lái)規(guī)范的。

讓我們把要討論的話題列一個(gè)清單:1。什么是數(shù)據(jù)-1/為什么要做數(shù)據(jù)-1/？2.數(shù)據(jù) 挖掘營(yíng)銷與CRM中的應(yīng)用？3.的過(guò)程數(shù)據(jù) -1/4，你應(yīng)該了解的統(tǒng)計(jì)學(xué)。數(shù)據(jù)描述與預(yù)測(cè):分析與預(yù)測(cè)建模6，經(jīng)典數(shù)據(jù)-1/。-0/ 挖掘9，具體案例分析什么是數(shù)據(jù) 挖掘？是知識(shí)發(fā)現(xiàn)、商業(yè)智能、預(yù)測(cè)分析還是預(yù)測(cè)建模。