学习数据挖掘的最佳路径

一、数据挖掘的基本流程

1、商业理解：数据挖掘的目的是更好地帮助业务，要从商业的角度理解项目需求。

2、数据理解：尝试收集部分数据，然后对数据进行探索，包括数据描述、数据质量验证等，有助于对数据有个初步认识。

3、数据准备：开始收集数据，并对数据进行清洗、集成等操作，完成数据挖掘前的准备工作。

4、模型建立：选择和应用数据挖掘模型，并进行优化，以便得到更好的分类结果。

5、模型评估：对模型进行评估，并检查构建模型的每一步，确认模型是否实现了预定的商业目标。

6、上线发布：呈现数据挖掘结果，以及后续的监控和维护。

 

二、数据挖掘十大算法分类

1、分类算法：C4.5，朴素贝叶斯（Naive Bayes），SVM，KNN，Adaboost，CART

2、聚类算法：K-Means，EM

3、关联分析：Apriori

4、连接分析：PageRank

 

三、数据挖掘十大算法简介

1、C4.5

十大算法之首，是决策树的算法，并创造性地在决策树构造过程中进行了剪枝，可以处理连续的属性，也能对不完整的数据进行处理，是决策树分类中具有里程碑意义的算法。

2、朴素贝叶斯（Naive Bayes）

朴素贝叶斯模型时基于概率论的原理，基本思想是：对于给出的未知物体想要进行分类，就需要求解在这个未知物体出现的条件下各个类别出现的概率，哪个最大，就认为这个未知物体属于哪个分类。

3、SVM

SVM（支持向量机，Support Vector Machine）在训练中建立了一个超平面分类模型。

4、KNN

KNN（K最近邻算法，K-Nearest Neighbor），就是每个样本都可以用它最接近的K个邻居来代表。如果一个样本，它的K个最接近的邻居都属于分类A，那么这个样本也属于分类A。

5、AdaBoost

boost表示提升，所以Adaboost是个构建分类器的提升算法，可以让多个弱的分类器