Data 挖掘本質(zhì)或者說機(jī)器學(xué)習(xí)算法可以在“Data 挖掘十種常見算法”中找到。常用的算法有SVM、決策樹、樸素貝葉斯、logistic回歸等，主要解決分類和回歸問題。大數(shù)據(jù)的算法挖掘: 1。樸素貝葉斯，超級(jí)簡單，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，所以你只需要少量的訓(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具有很好的概率解釋能力，并且很容易用新的訓(xùn)練數(shù)據(jù)更新模型。如果你想要一些概率信息或者希望在未來有更多數(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(或離群值)和數(shù)據(jù)是否線性可分。DT的主要缺點(diǎn)是容易過擬合，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)分析指的是對(duì)龐大數(shù)據(jù)的分析。收集、清理挖掘、分析大數(shù)據(jù)。大數(shù)據(jù)主要包括數(shù)據(jù)采集、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)管理和數(shù)據(jù)分析和挖掘技術(shù)。自然語言處理技術(shù)。統(tǒng)計(jì)分析:假設(shè)檢驗(yàn)、顯著性檢驗(yàn)、差異分析、相關(guān)分析、多元回歸分析、逐步回歸、回歸預(yù)測和殘差分析。Data 挖掘:分類、估計(jì)、預(yù)測、相似分組或關(guān)聯(lián)規(guī)則、聚類、描述和可視化以及復(fù)雜數(shù)據(jù)類型。

1和數(shù)據(jù)分析的用戶是專家和普通用戶，但對(duì)他們最基本的要求是可視化分析，因?yàn)榭梢暬治隹梢灾庇^地呈現(xiàn)大數(shù)據(jù)的特征，容易被讀者接受。2.數(shù)據(jù)挖掘算法大數(shù)據(jù)分析的理論核心是數(shù)據(jù)挖掘算法。各種數(shù)據(jù)的算法挖掘可以基于不同的數(shù)據(jù)類型和格式更科學(xué)地呈現(xiàn)數(shù)據(jù)本身的特征，也正是因?yàn)檫@些，全世界的統(tǒng)計(jì)學(xué)家。

大數(shù)據(jù)挖掘常用軟件如下:1。RapidMiner功能強(qiáng)大，不僅提供了優(yōu)秀的data 挖掘函數(shù)，還提供了數(shù)據(jù)預(yù)處理和可視化、預(yù)測分析和統(tǒng)計(jì)建模、評(píng)估和部署等功能。2.R，Rprogramming的簡稱，統(tǒng)稱為R，作為編程語言和軟件環(huán)境中統(tǒng)計(jì)計(jì)算和繪圖的免費(fèi)軟件，主要用C和FORTRAN語言編寫，很多模塊都是用R編寫的，這是R. 3的一大特點(diǎn)。WEKA支持多種標(biāo)準(zhǔn)數(shù)據(jù)挖掘 tasks，包括數(shù)據(jù)預(yù)處理、收集、分類、回歸分析、可視化和特征選擇，由于其功能多樣，可以廣泛使用。

1。先做數(shù)據(jù)分析，一般指數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)篩選、畫像，2.高級(jí)數(shù)據(jù)挖掘、數(shù)據(jù)挖掘更多的是偏算法，對(duì)統(tǒng)計(jì)學(xué)、數(shù)學(xué)、計(jì)算機(jī)技能要求較高。數(shù)據(jù)分析:一般要分析的目標(biāo)明確，分析條件明確，Data 挖掘:目標(biāo)不是很明確，需要依靠挖掘算法找出隱藏在大量數(shù)據(jù)中的規(guī)律、模式和規(guī)律。數(shù)據(jù)分析不同于數(shù)據(jù)挖掘的用途，數(shù)據(jù)分析有明確的分析群體，即在各個(gè)維度上對(duì)群體進(jìn)行分解、劃分、組合來發(fā)現(xiàn)問題，而數(shù)據(jù)挖掘的目標(biāo)群體卻沒有。