my_share的专栏

第一步，当然是对数据挖掘有一定的了解，比如说数据怎么回事，数据挖掘在什么情况下使用，为什么要数据挖掘，数据挖掘的流程是什么，这些基础知识你一定要懂。最好的方法就是，看一个数据挖掘的视频。    第二步，数据挖掘视频，当然了，你会感觉视频是最慢的，看书来的快一点。两个方法都可以，在没有任何基础的情况下，还是先看点书，这样的方法对耗用时间来说，会比较少。然后在看视频，视频中会说很多浅的东西，时间比

第一个问题，为何要先从数据挖掘开始。学习机器学习的话，你大部分都是一些数据算法，算法的一些应用才是我们最后想要的。而数据挖掘呢？？正好是机器学习最好的应用，从目前的情况来看，数据挖掘，推荐系统的材料也是最丰富的，对学习机器学习的帮助很大。第二个问题，是不是学习机器学习的过程，就一定要从数据挖掘开始呢？？我这里用一定这个词，是有点过了，不过我想告诉大家的是，从目前社会上的状态来讲，应该是一定的了

在显示区里面，节点的连接和断开，鼠标的中键很有用。F3删除该节点的所有连线。建立缓存区的话，就会从缓冲区里面读数据，而不是从最开始的数据源。排序、合并或汇总这样比较耗时的操作，缓存是最有用的处理遗漏值，9页。源就是初始化数据啦。也是第一个节点，没有数据怎么玩呢？？对吧。数据库，我也不知道是什么类型文件啦。spss文件呢？就是一些软件保持的文件啦。sa

回归模型：    误差项要满足正态分布，无偏性，共方差性，和独立性。用最小二乘法，来评估参数。也有很多非线性模型。贝叶斯算法：    贝叶斯数据需要离散，不完整数据，没有输入和输出的概念，节点运算独立。        EM算法，聚类分析：        伸缩性，处理不同类型属性的能力，发现任意形状的聚类，输入领域的最小化，处理噪声能力，        k-means，k

（数据挖掘原理与实战）视频决策树：划分原则，是当前哪个属性是最大的，信息增益率。过程比较清晰。最大的优点自学习。决策树的分类没有办法划分，或者百分百划分，也可以控制几层，才会停止。防止过度拟合，到某个程度就停止。对比逻辑回归。优点：健壮性好。处理非线性。缺点：类别太多，错误可能会增加比较快。  只是根据一个字段来分类。泛化能力差（容易过度拟合）。逻辑回归：效果，就用

所有的说明大概在主题说明里面都有。我毛华望QQ849886241，个人博客http://blog.youkuaiyun.com/my_share企业视图：是一种企业数据库，必须在某个 Clementine 服务器主机上定义同名的 ODBC 数据源。数据库：数据库源节点可用于使用 ODBC（开放数据库连接）从多种其他数据包中导入数据，这些数据包包括 Microsoft SQL S

说明：软件里面的帮助---》应用程序实例，按照这里面的顺序来的。1，准备分析数据（数据审核）来学习数据挖掘，机器学习吧。这就是初始化数据的内容，第一列大概是注册地，还