資料挖掘分類與預測

有兩種形式的資料的分析，可以用於描述一種重要的類提取物的模型或預測未來的資料趨勢。這兩種形式如下：

這些資料的分析，有助於我們更好地理解巨量資料。分類預測分類和預測模型預測連續值函式。例如，我們可以建立一個分類模型，以銀行貸款申請歸類為安全或危險的，或者預測模型來預測在計算機裝置給他們的收入和職業美元的潛在客戶的支出。

什麼是分類？

以下情況下資料分析任務是分類的例子：

在上述兩個例子，一個模型或分類器被構造來預測類別的標籤。這些標籤都是有風險的或安全的貸款申請資料和yes或no的行銷資料。

以下情況下的資料分析任務是預測的例子：

假設行銷經理需要預測多少給定的客戶將在出售他的公司花。在這個例子中，我們刻意去預測數值。因此，資料分析的任務就是例子數值預測的。在這種情況下，模型或預測將構造，預測的連續值的函式或指令值。

註：回歸分析是最常用的數位預測的統計方法。

我會盡量讓你明白如何分類的？與我們上面所討論的銀行申請貸款的幫助。資料分類過程包括兩個步驟：

在此步驟中，分類器被用於分類。這裡的測試資料來估算的分類規則的準確性。分類規則可以應用到新的資料元組，如果準確度被認為是可以接受的。

主要的問題是準備資料的分類和預測。準備資料包括以下活動：

資料清理 - 資料清理涉及刪除缺失值的噪聲和治療。噪聲是通過運用平滑技術和遺漏值的問題是由最常出現的值該屬性替換缺失值解決了刪除。
相關分析 - 資料庫也可具有不相關的屬性。相關分析是用於了解任意兩個給定的屬性是否相關。
資料轉換和減少 - 該資料可通過任何以下方法進行變換。
- 正常化- 該資料是使用歸一化變換。歸一化處理包括縮放為給定屬性的所有值，以使它們落入一個小的指定範圍內。歸一化時使用的學習步驟中，涉及計量的神經網路或方法的使用。
- 概括 - 該資料也可以通過將其推廣到更高的概念轉化。為此，我們可以使用概念層次。

注意：資料也可以通過一些其他方法，如小波變換，離散化，直方圖分析，聚類和減少。

這裡是標準的分類比較和預測的方法：