数据挖掘基本模型一览

最新推荐文章于 2024-08-02 18:11:42 发布

原创最新推荐文章于 2024-08-02 18:11:42 发布 · 置顶 · 2.5k 阅读

3 ·

CC 4.0 BY-SA版权

数据挖掘专栏收录该内容

30 篇文章

订阅专栏

这篇博客涵盖了数据挖掘的主要步骤和模型，包括数据准备时的缺失值处理（如平均值填充、KNN填充）、线性回归、降维技术（如PCA、LDA）、聚类算法（如K-means、DBScan）、分类方法（如逻辑回归、SVM、神经网络）以及深度学习（如RBM、DBN、卷积网络）。此外，还讨论了异常检测和推荐系统的基本原理。

数据准备

缺失值处理

直接删除

不处理

填充

平均值填充 Mean/Model Completer

热卡填充 Hot Deck Imputation

K邻近 KNN

使用所有可能的值填充 Assigning All Possible values of the Attribute

组合完整化方法 Combinatorial Completer

线性回归

多重填充

期望值最大化方法（Expectation maximization，EM）

多重填补（Multiple Imputation，MI）

C4.5方法

粗糙集方法

关联规则

神经网络

贝叶斯网络

ETL

降维

主成份分析 PCA

线性判别分析 LDA

等距映射 LPP

局部线性嵌入 Isomap

特征映射 LLE

局部保留投影 Laplacian

局部切空间排列 LTSA

最大方差展开 MVU

奇异值分解 SVD
数据挖掘过程
关联规则

Apriori

Eclat

相关性分析
皮尔森相关参数

聚类

基于中心点的聚类算法

K-means

基于层次的聚类算法

基于密度的聚类算法

DBScan

基于网格的聚类算法

基于模型的聚类算法

谱聚类
时间序列分析
线性回归
二次滑动平均
一次平滑
二次指数平滑
三次指数平滑
ARIMA模型
ARCH和GARCH模型
干扰和ARIMAX模型
多元协整和误差修正模型
门限自回归模型
回归
线性回归
逻辑回归
分类
决策树
Classification and Regression Tree (CART)
Iterative Dichotomiser 3 (ID3)
C4.5
Chi-squared Automatic Interaction Detection (CHAID)
Decision Stump
Random Forest
Multivariate Adaptive Regression Splines (MARS)
Gradient Boosting Machines (GBM)

逻辑回归

核方法

Support Vector Machines (支持向量机SVM)
Radial Basis Function (RBF)
Linear Discriminate Analysis (LDA)

神经网络

Perceptron
Back-Propagation
Hopfield Network
Self-Organizing Map (SOM)
Learning Vector Quantization (LVQ)

深度学习

Restricted Boltzmann Machine (RBM)
Deep Belief Networks (DBN)
Convolutional Network
Stacked Auto-encoders

异常检测