数据挖掘类型

如果你还没听说过数据挖掘这个词，那么在学习数据挖掘的类型之前，我们先来简单讨论一下“数据挖掘”会比较好。在这篇文章中，我们将学习数据挖掘的不同类型（或数据挖掘方法）。然而，如果你已经知道数据挖掘是什么，你可以直接跳到数据挖掘方法（或类型）。

什么是数据挖掘？

总的来说，数据挖掘只不过是从海量数据中查找或提取有用信息的过程。如果我们使用大数据这个词，你可能会熟悉。虽然可以使用一系列技术来帮助我们利用这些信息来增加收入、降低成本和改善客户关系等。你可能会想，为什么数据挖掘如此重要。这个问题的答案很复杂。然而，重要的不是答案本身。你可能已经看到惊人的数字；产生的数据量每两年翻一番。然而，这种数据增长率也在增加，或者说数据量甚至不到两年就会翻一番。

数据挖掘的特点

以下是数据挖掘通常允许我们的关键特点：

• 筛选掉数据中所有混乱和重复的噪声。
• 能够理解什么是有用的，然后有效地利用这些信息来评估可能的结果。
• 加快做出明智决策的速度。

为什么我们需要数据挖掘？

在当今的现代世界，我们都被大数据包围，预计在未来十年将增长 40%。你可能会想，事实是我们正被数据淹没，但同时我们又渴望知识（或有用的数据）。其主要原因是所有这些数据都会产生噪声，使得挖掘困难。简而言之，我们生成了大量的无定形数据，但却经历了失败的大数据计划，因为有用的数据深埋其中。因此，如果没有数据挖掘等强大工具，我们就无法挖掘这些数据，结果就是我们无法从这些数据中获益。

数据挖掘类型

以下每种数据挖掘技术都服务于不同的业务问题，并为每个问题提供不同的见解。然而，理解你需要解决的业务问题的类型也有助于了解哪种技术是最好的，哪种会产生最好的结果。数据挖掘的类型可以分为两个基本部分，如下所示：

1. 预测性数据挖掘分析
2. 描述性数据挖掘分析

1. 预测性数据挖掘

顾名思义，预测性数据挖掘分析处理的数据可能有助于了解业务中未来（或将来）可能发生的情况。预测性数据挖掘还可以进一步分为四种类型，如下所示：

• 分类分析
• 回归分析
• 时间序列分析
• 预测分析

2. 描述性数据挖掘

描述性数据挖掘任务的主要目标是总结或将给定数据转换为相关信息。描述性数据挖掘任务还可以进一步分为四种类型，如下所示：

• 聚类分析
• 摘要分析
• 关联规则分析
• 序列发现分析

在这里，我们将详细讨论每种数据挖掘类型。以下是几种不同的数据挖掘技术，可以帮助您找到最佳的结果。

1. 分类分析

这种类型的数据挖掘技术通常用于获取或检索关于数据和元数据的重要且相关的信息。它还可以用于将不同类型的数据格式分类到不同的类别中。如果您一直阅读本文，您一定会发现分类和聚类是相似的数据挖掘类型。因为聚类也对数据段进行分类或归类到称为类别的不同数据记录中。然而，与聚类不同的是，数据分析师会了解不同的类别或聚类。因此，在分类分析中，您需要应用或实现算法来决定新数据应该如何分类或归类。分类分析的一个典型例子是 Outlook 电子邮件。在 Outlook 中，他们使用某些算法来区分电子邮件是合法的还是垃圾邮件。

这项技术对零售商来说通常非常有帮助，他们可以利用它来研究不同顾客的购买习惯。零售商还可以研究过去的销售数据，然后寻找顾客通常一起购买的产品。之后，他们可以将这些产品放在零售店里彼此靠近，以节省顾客的时间，并增加销售额。

2. 回归分析

在统计学上，回归分析是一个通常用于识别和分析变量之间关系的过程。这意味着一个变量依赖于另一个变量，但反之则不然。它通常用于预测和预报目的。它还可以帮助您了解如果任何自变量发生变化，因变量的特征值会如何变化。

3. 时间序列分析

时间序列是一系列数据点，通常在特定的时间间隔记录。通常，它们是在规律的时间间隔（秒、小时、天、月等）记录的。几乎每个组织每天都会生成大量数据，例如销售数据、收入、流量或运营成本。时间序列数据挖掘有助于生成有价值的长期业务决策信息，但它们在大多数组织中却被低估了。

4. 预测分析

这项技术通常用于预测自变量和因变量之间的关系，以及自变量本身的关系。它还可以用于预测未来可以获得的利润，这取决于销售情况。让我们假设利润和销售是因变量和自变量，分别是。现在，根据过去的销售数据，我们可以使用回归曲线来预测未来的利润。

5. 聚类分析

在数据挖掘中，这项技术用于创建包含相同特征的有意义的对象集群。通常，大多数人会混淆分类，但如果他们正确理解了这两种技术是如何工作的，他们就不会有任何问题。与收集预定义类别的对象不同，聚类将对象存储在由其定义的类别中。为了更详细地理解这一点，您可以参考以下给定示例：

示例

假设您在一个藏书丰富的图书馆里，里面有关于不同主题的书。现在，您的真正挑战是整理这些书，以免读者在查找特定主题的书时遇到任何问题。所以这里，我们可以使用聚类将具有相似性的书籍放在一个特定的书架上，然后给这些书架一个有意义的名称或类别。因此，当读者寻找某个主题的书时，可以直接去那个书架。这样，他就不需要浏览整个图书馆来找到他想读的书了。

6. 摘要分析

摘要分析用于以更紧凑、更易于理解的方式存储一组数据。我们可以通过一个例子轻松理解它：

示例

您可能已经使用摘要来从给定的数据集（或组）中创建图表或计算平均值。这是最熟悉和最容易访问的数据挖掘形式之一。

7. 关联规则学习

总的来说，它可以被认为是一种可以帮助我们在大型数据库中识别不同变量之间的一些有趣关系（依赖建模）的方法。这项技术还可以帮助我们解开数据中隐藏的模式，用于识别数据中的变量。它还有助于检测数据集中非常频繁出现的不同变量的并发。关联规则通常用于检查和预测客户的行为。它也强烈推荐用于零售行业分析。这项技术还用于确定购物篮数据分析、目录设计、产品聚类和商店布局。在 IT 领域，程序员也使用关联规则来创建能够进行机器学习的程序。或者简单地说，我们可以说这种数据挖掘技术有助于找到两个或多个项目之间的关联。它发现数据集中的隐藏模式。

8. 序列发现分析

序列发现分析的主要目标是根据某种主观或客观的有趣程度的度量来发现数据中有趣的模式。通常，此任务涉及根据频率支持度量发现频繁的序列模式。有些人可能会经常将其与时间序列混淆，因为序列发现分析和时间序列分析都包含相邻的、顺序相关的观测值。然而，如果人们更深入地看待它们，他们的困惑可以很容易地避免，因为时间序列分析技术包含数值数据，而序列发现分析包含离散值或数据。

结论

现在您已经掌握了足够的知识来决定或选择最佳技术来将数据汇总为有用的信息——这些信息可用于解决各种业务问题、增加收入、提高客户满意度或降低不必要的成本。