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。
- P3 H/ t1 a7 u2 Q' D0 q, N- O
/ F# e$ J3 m3 K2 f. n' [9 [5 A! \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
! Q- z3 |. ?6 C- {! w, ?4 [8 \1)数据挖掘能做以下七种不同事情　　（分析方法）： 　　
数据挖掘
* D5 T& d) K# X/ B· 分类 （Classification） 　　
' p) U. M9 A; h2 e0 r9 y· 估计（Estimation） 　　
· 预测（Prediction） 　　
0 G3 {& }) n5 e# p9 k· 相关性分组或关联规则（Affinity grouping or association rules） 　　
: P) k) x2 X. F· 聚类（Clustering） 　　
· 描述和可视化（Description and Visualization） 　　
7 X9 i  K1 k/ t9 i0 S· 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
7 ?! v: d7 ^8 z  A. c6 [2)数据挖掘分类　　
- x5 V: q4 u9 G+ U- Z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 　　
4 g) z1 Q1 v. X/ B· 直接数据挖掘 　　
$ q& P. p0 ^  L1 x# H0 q/ b' g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。 　　
5 F6 Y0 \0 A+ P5 |0 u· 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 。 　　
· 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
* ~# `. c+ b# A. Z9 P( S+ u

data-science

为了知识，为了体力~~
0 O* o$ `& j. [- F

千寻百步

为了知识，为了体力~~1 c#
! @/ V' o5 @  E% k