|
引言 在大数据时代我们总有许许多的的数据要去挖掘分析。 问题描述 那么数据挖掘任务有哪些类型呢？我们该如何去判断进而去处理它呢？ 方法 我们要认识到有以下四种类型： 1.预测建模(predictive modeling) 涉及以说明变量函数的方式为目标变量建立模型。有两类预测建模任务：分类（classification），用于预测离散的目标变量；回归（regression），用于预测连续目标变量。 例如：对一个地区的近几年各月份降雨量做统计，对其建模分析预测未来几年的降雨量，从而进行一些事情的开展。 2.关联分析(association analysis) 用来发现描述数据中强关联特征的模式。所发现的模式通常蕴含规则或特征子集的形式表示。（由于搜索空间是指数规模的，关联分析的目标是以有效的方式提取最有趣的模式。） 例如：对顾客购物篮所装物品的分析。对顾客的购物习惯进行分析，可以针对进行商品营销策略。最经典的就是啤酒与尿布的故事。 3.异常检测(anomaly detection) 是识别其特征显著不懂与其他数据的观测值。这样的观测值称为异常点（anomaly）或离群点（outlier）。异常检测算法的目标时发现真正的异常点， 而避免错误地将正常的对象标注为异常点。 例如：对于地震波的检测就属于异常点检测。 4.聚类分析（cluster analysis） 旨在发现紧密相关的观测值组群，使得与属于不同簇的观测值相比，属于同一簇的观测值相互之间尽可能类似。 例如：对于多个单位的不同属性分析时就可以对相同的属性进行。 最简单的就是对去年我国不同城市的消费能力的分析。 结语 在这个数据复杂的时代我们可以掌握更多的技能，正所谓技多不压身嘛！ 实习编辑：李欣容 稿件来源：深度学习与文旅应用实验室（DLETA） |
|
|
