建模方法学习2，数据挖掘(1)

百年孤独

数据挖掘利用了来自如下一些领域的思想：(1) 来自统计学的抽样、估计和假设检验，(2) 人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论。数据挖掘也迅速地接纳了来自其他领域的思想，这些领域包括最优化、进化计算、信息论、信号处理、可视化和信息检索。一些其他领域也起到重要的支撑作用。特别地，需要数据库系统提供有效的存储、索引和查询处理支持。源于高性能（并行）计算的技术在处理海量数据集方面常常是重要的。分布式技术也能帮助处理海量数据，并且当数据不能集中到一起处理时更是至关重要。
: Z) }- K# x5 k% I4 C0 Z! W
看得出来该方法与遗传算法的联系，完全可以考虑在两者之间建立一些联系
+ X. t! N% ^5 _' M: g8 Y. ?1)数据挖掘能做以下七种不同事情　　（分析方法）： 　　
数据挖掘
* [+ }( c: O( U4 G4 \· 分类 （Classification） 　　
· 估计（Estimation） 　　
· 预测（Prediction） 　　
· 相关性分组或关联规则（Affinity grouping or association rules） 　　
· 聚类（Clustering） 　　
· 描述和可视化（Description and Visualization） 　　
· 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
2)数据挖掘分类　　
& S- M- z  T; S) H% x以上七种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘 　　
$ f5 s8 E7 r' o; k$ r+ J; A· 直接数据挖掘 　　
目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以理解成数据库中表的属性，即列）进行描述。 　　
· 间接数据挖掘 　　
目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系 。 　　
. o# W' H! R9 C! |, H1 ^/ z· 分类、估值、预言属于直接数据挖掘；后四种属于间接数据挖掘

data-science

为了知识，为了体力~~
. {# n! A4 x- P- R

千寻百步

' A. N  `  _3 }( p7 B0 w为了知识，为了体力~~1 c#