数据挖掘模型

数据挖掘利用原始数据提取信息并以独特的方式呈现。数据挖掘过程通常存在于最多样化的应用中，包括商业智能研究、政治模型预测、网络排名预测、天气模式模型预测等。在业务运营智能研究中，业务专家会挖掘与业务运营或市场相关的海量数据集，并尝试发现以前未识别的趋势和关系。数据挖掘也被用于利用大数据作为原始数据源来提取所需数据的组织。

阅读本文，了解带示例的数据挖掘模型。

什么是数据挖掘模型？

数据挖掘模型指的是一种通常用于呈现信息的方法，以及它们可以将信息应用于特定问题和挑战的各种方式。根据专家们的说法，数据挖掘回归模型是最常用的数据挖掘模型。在这个过程中，数据挖掘专家首先分析数据集并创建一个定义它们的公式。各种金融市场分析师使用此模型来做出与价格和市场趋势相关的预测。

另一个重要的数据挖掘模型基于关联规则。首先，数据挖掘分析师会分析数据集，找出通常一起出现的组件。当他们发现两个组件同时出现时，就会假定它们之间存在某种关系。例如，一家电子商店可能会发现，顾客在购买书籍时，通常会同时购买马克笔和笔。店经理可以利用数据挖掘模型的详细信息，通过将所有相关产品陈列在同一位置来提高销量。

数据挖掘模型类型

1. 预测型数据挖掘模型
2. 描述型数据挖掘模型

预测型数据挖掘模型

预测型数据挖掘模型通过从不同数据集收集的已知结果来预测数据值。预测建模不能被归类为一门独立的学科；它存在于所有组织或行业的所有学科中。预测型数据挖掘模型的主要目标是基于过去的数据来预测未来，通常（但不总是）基于统计建模。

预测建模被用于医疗保健行业，以识别患有充血性心力衰竭、高血压、糖尿病、感染、癌症等疾病的高风险患者。它还被用于汽车保险公司，以分配保单持有人的事故风险。

数据挖掘任务的预测模型包括分类、回归、预测和时间序列分析。数据挖掘的预测模型也称为统计回归。它指的是一种监控学习技术，包括解释某些属性的值如何依赖于同一产品中其他属性的值，以及构建一个模型来预测先前案例中这些属性的值。

分类

在数据挖掘中，分类是指一种数据分析形式，其中机器学习模型将一个特定类别分配给新的观测值。它基于模型从数据集中学到的内容。换句话说，分类是将对象分配给多个预定义类别的行为。

在银行和金融服务行业中，分类的一个例子是识别交易是否欺诈。同样，机器学习也可用于预测贷款申请是否会被批准。

回归

回归是指一种验证函数数据值的方法。通常，它用于适合的数据。

在机器学习或统计学的背景下，线性回归模型基本上是一种线性方法，用于模拟因变量（结果）与自变量（特征）之间的关系。

如果您的模型只有一个自变量，则称为简单线性回归，否则称为多元线性回归。

回归类型

1. 线性回归

线性回归涉及寻找最适合两个属性的直线，以便通过一个属性，我们可以预测另一个属性。

2. 多元线性回归

多元线性回归包含两个或两个以上属性，并且数据被拟合到多维空间。

预报

在数据挖掘中，预测用于根据另一个对应数据值的描述来识别数据值。数据挖掘中的预测称为数值预测。通常，回归分析用于预测。例如，在信用卡欺诈检测中，需要分析特定个人信用卡使用的数据历史。如果检测到任何异常模式，则应报告为“欺诈行为”。

时间序列分析

时间序列分析是指基于时间的でーたセット。它作为自变量来预测时间中的因变量。

描述模型

描述模型区分数据中的模式和关系。描述模型不试图推广到统计总体或随机过程。预测模型试图推广到总体或随机过程。预测模型应提供预测区间，并且必须进行交叉验证；也就是说，它们必须证明它们可用于对未用于构建模型的数据进行预测。

描述性分析侧重于数据的汇总和转换，以获取可用于报告和监控的有用信息。

聚类

聚类是将一组对象分组，使得同一组（称为簇）中的对象比其他组簇中的对象更相似。

关联规则

关联规则确定海量数据对象之间的因果关系。算法的工作方式是，您有一系列。例如，过去六个月您在杂货店购买的商品列表，它会计算商品同时购买的百分比。例如，您将牛奶与谷物一起购买的可能性有多大？

序列

序列指的是在数据中发现与某些目标相关且有趣的有价值的模式。

摘要

摘要以更容易理解的形式更深入地持有数据集。