直接数据挖掘i.pptVIP

已经介绍的数据挖掘技术 直接数据挖掘 分类：神经网络，决策树 预测：神经网络，回归分析 非直接数据挖掘 聚类分析 可视化 关联分析 * 请分别给出直接数据挖掘和非直接数据挖掘在公共管理中应用的例子。 * 谢谢参与！ * * * * 组织记忆：（１）以员工为载体的知识积累；（２）文档的记载；（３）由长期传承的办事方式、习惯而构成的组织文化。 * 结构化与非结构化的区别 * 直接数据挖掘和非直接数据挖掘的区别？ * * * * * * * * * 决策树与神经网络的区别：解释能力； 在数据准备都很充分的情况下，对应用方而言决策树的使用难度更大，因为要设计决策树的节点。 * * * 聚类分析相对于数据立方体的多维分析的优点是更为直观，因为在数据立方体里的数据是按照各个维度特定序列规则进行的，从而无法达到可视化的效果。 * * * * * * * * 多维数据分析：数据仓库的基本应用 Online Analytical Processing (OLAP) 从不同的维度和视角对大量的数据进行分析。 * PRODUCT LOCATION SALES Soda Northeast 80 Soda Midwest 40 Soda West 70 Soda Southwest 75 Soda Southeast 65 Diet Soda Northeast 110 Diet Soda Midwest 90 Diet Soda West 55 Diet Soda Southwest 85 Diet Soda Southeast 45 PRODUCT LOCATION SALES Lime Soda Midwest 50 Lime Soda West 60 Lime Soda Southwest 45 Lime Soda Southeast 85 Orange Soda Northeast 25 Orange Soda Midwest 30 Orange Soda West 35 Orange Soda Southwest 45 Orange Soda Southeast 60 数据间关系的基本表达方式 * Product Location Soda Diet Soda Lime Soda Orange Soda Northeast 80 110 60 25 Midwest 40 90 50 30 West 70 55 60 35 Southwest 75 85 45 45 Southeast 65 45 85 60 数据间关系的二维表达 * 三维表达：数据立方 * 切片操作 专注于维度的子集，如1/1/2000。 * 切块操作 将维度替换为其维度的子集 * * 数据仓库 将当前和历史数据存储起来 围绕分析和决策的需要来整理数据 * 两层结构 * 数据挖掘与数据集市 数据挖掘 分析大量数据集合的工具 探索和分析的过程，为了发现有价值的、不明显的模式以及隐藏在数据库中的联系，它们对于提升业务的效率与效益有着极大的潜力 对于数据仓库而言最重要的应用 数据集市 数据仓库的子集 为特定的功能或者用户群体而对部分数据高度关注 * 三层结构 * 数据挖掘的类型 假设检验 保险推销员的年龄会影响他的业绩吗？ 直接数据挖掘——当我们希望在数据中预测或估计某种模式时使用； 什么类型的顾客忠诚度较低？ 非直接数据挖掘——当我们希望系统在数据中寻找模式时使用； 哪些服务之间的需求是互相联系的？ * 直接数据挖掘I：分类 神经网络 决策树 * * * * * 训练网络 随机设定权重的初始值； 将训练数据提供给网络； 在训练中将外来的正确模式与神经网络的输出结果进行比较； 运用规则来调整权重； 通过调整权重来减少误差； 反馈调节权重直到所有的训练模式都被正确识别； 信息处理的过程就是模式识别的过程。 * 神经网络 * * * 直接数据挖掘II：预测 发掘一组自变量的值以预测因变量的值； 用每年时间和温度的数据来预测空调的销售情况。 技术: 多元回归； 神经网络。 * 非直接数据挖掘技术 聚类分析 可视化 关联分析 * 聚类分析 将数据点分组的过程，从而使得同一组内的数据点类似。 检查一大群最初没有差异的顾客，看看能否把它们分在自然形成的组内。 聚类不同于分类的区别在于结果是分析出来的而不是事先预定的。 没有预先制定的设想，希望数据挖掘工具能够揭示某些有意义的结构。 * * 聚类的例子 客户细分 收集客户在地理位置以及生活方式中的各种属性，找到具有类似客户属性的群体。观察不同群体中的客户购买方式差异。 电信公司服务网点的规划 * 关联分析 在一组记录中存在的某些内容意味着在该记录中同时存在另一些内容； 用于设计促销计划的超市购物篮分析。 啤酒和尿布 啤酒