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。
9 M0 U; H0 F( v% R- E" J2 B/ n
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
7 p6 y$ o' p2 @1)数据挖掘能做以下七种不同事情　　（分析方法）： 　　
. X+ D% Q9 H; ?' l# q; D" W, ~数据挖掘
· 分类 （Classification） 　　
  C# I2 j3 G5 e6 y3 r6 @· 估计（Estimation） 　　
  u/ A; Q3 K5 `1 V/ d· 预测（Prediction） 　　
. h9 F* ?1 g3 N. ~$ I# O· 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） 　　
: T6 [8 F9 Q( E6 C5 U* u( J· 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
7 T% v: n% G1 P: m2)数据挖掘分类　　
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 　　
# E3 a( L& [$ S& e# ^; G, Y. }· 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。 　　
3 G2 W8 h" `/ `, l9 t$ w* \2 T1 y· 间接数据挖掘 　　
$ i1 W2 Q6 K5 x2 Y  N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 。 　　
  t$ s/ J& f& I+ v1 e· 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~~

千寻百步

为了知识，为了体力~~1 c#