1.分类问题:
从训练样本中学习,构建一个函数(分类器),对样本的所属类别进行判别
典型的分类问题:
1.垃圾邮件识别
2.文本分类
3.信用评分
4.欺诈检测
5.图像识别
6.用户流失预测
7.营销响应预测
8.广告点击率预估
9.商品推荐

2.聚类问题:
从数据中探索样本之间的相似性,把特征相似的样本聚为一类,是一种无目标的探索性分析
典型的聚类问题:
1.用户分群
2.相似文档聚类
本文介绍了数据挖掘中的关键任务,包括分类问题,如垃圾邮件识别、文本分类等;聚类问题,用于用户分群和相似文档分析;回归问题,涉及房价和收入预测;关联问题,常见于商品推荐;序列问题,关注购物模式预测;以及异常检测,应用于欺诈检测和网络安全等领域。
从训练样本中学习,构建一个函数(分类器),对样本的所属类别进行判别
典型的分类问题:
1.垃圾邮件识别
2.文本分类
3.信用评分
4.欺诈检测
5.图像识别
6.用户流失预测
7.营销响应预测
8.广告点击率预估
9.商品推荐

从数据中探索样本之间的相似性,把特征相似的样本聚为一类,是一种无目标的探索性分析
典型的聚类问题:
1.用户分群
2.相似文档聚类
490

被折叠的 条评论
为什么被折叠?