关于数据挖掘

标签: 产品经理 数据挖掘 | 发表时间:2012-09-11 19:37 | 作者:牛 国柱
出处:http://www.iamniu.com
以下内容来自网络,关于数据挖掘的一些最基本的知识。

 
数据挖掘是对一系列数据进行分析和挖掘的方法的统称,在精准营销领域,最常用的数据挖掘方法主要包括以下三类:分类、聚类、关联。 数据隧道

分类(Classify)属于预测性模型。分类模型的构建需要“训练样本”,训练样本中的每一个个体的类别必须是明确的。分类模型的特征变量一般称为“自变量”,又叫“预测变量”,类别变量称为“目标变量”。分类模型采用的方法有:决策树、Logistic回归、神经网络、判别分析等方法。

聚类(Clustering)属于非预测模型(描述性模型)。聚类模型是将特征相似的用户归在一个组里,特征不同的用户分在不同组。聚类模型不需要“目标变量”,只需要给定自变量。选择聚类所需的变量是构建聚类模型最关键的工作,变量的选择往往取决于应用的目标要求。

关联(Association)也属于非预测模型,主要解决的问题是研究产品购买的关联性,即买A产品的同时是否会对B产品也很感兴趣。经典的数据挖掘案例“啤酒和尿布”就属于关联模型。

关联模型中度量两个产品关联性强弱主要用三个指标:支持度、可信度、提升度。

针对两个商品A、B,研究A–>B的相关性,三个指标的定义如下:

支持度(Support):表示A、B同时购买的人数占总购买人数的比例。支持度越高,表示A、B商品同时购买的人数越多,这两个商品越主流。

可信度(Confidence):表示在购买A商品的人中同时购买了B商品的比例。可信度越高,表示购买了A商品后再购买B商品的可能性就越大。

提升度(Lift):可信度除以总用户中购买过B商品的用户占比。提升度越高,表示购买了A商品对购买B商品的影响度就越大,也即他们之间的相关性就越强。

关联模型可以解决两大类问题:1、如何对用户进行商品推荐?2、把哪些商品捆绑在一起销售更好?前者我们叫“交叉销售”的问题,后者叫“捆绑销售”。

在互联网广告行业快速发展进化的今天,对用户网络行为进行跟踪,并利用数据挖掘技术还原用户自然属性、描述用户意图,进而指导广告主精准投放已经成为行业大势,随着越来越多的Data Provider的出现,独立的第三方数据大鳄DMP平台也会很快浮现。当DPM平台出现时,意味着中国的互联网广告行业彻底进入用户投放时代,这才是大的变革。作为变革的必要条件——数据挖掘技术,作为广告产品经理,有必要对其增加了解。

 

您可能也喜欢:

关于数据收集、分析的相关知识点
无觅

相关 [数据挖掘] 推荐:

数据挖掘是神马?

- - 互联网分析
1、数据挖掘需要‘神马样’的流程.  2、哥,有没有详细点的,来个给力的. 4、数据在统计意义上有哪些类型. 9、知道这些工具不知道如何在工作中用呀. 11、还有没有更人性化、智能化的展现. 12、上面这图看起来很给力,背后很复杂吧.  16、转载的留个来源 ,毕竟是我辛苦收集和想出来的,谢谢. 忘记“大数据”,从“中数据”开始.

这就是数据挖掘

- - 互联网分析
当今数据库的容量已经达到上万亿的水平(T)— 1,000,000,000,000个字节. 在这些大量数据的背后隐藏了很多具有决策意义的信息,那么怎么得到这些“知识”呢. 也就是怎样通过一颗颗的树木了解到整个森林的情况. 计 算机科学对这个问题给出的最新回答就是:数据挖掘,在“数据矿山”中找到蕴藏的“知识金块”,帮助企业减少不必要投资的同时提高资金回报.

关于数据挖掘

- - 牛国柱
以下内容来自网络,关于数据挖掘的一些最基本的知识. 数据挖掘是对一系列数据进行分析和挖掘的方法的统称,在精准营销领域,最常用的数据挖掘方法主要包括以下三类:分类、聚类、关联. 分类(Classify)属于预测性模型. 分类模型的构建需要“训练样本”,训练样本中的每一个个体的类别必须是明确的. 分类模型的特征变量一般称为“自变量”,又叫“预测变量”,类别变量称为“目标变量”.

数据挖掘与Taco Bell编程

- everfly - 译言-每日精品译文推荐
来源Data Mining and Taco Bell Programming. Programmer Ted Dziuba suggests an alternative to traditional program that he called "Taco Bell Programming." The Taco Bell chain creates multiple menu items from about eight different ingredients.

使用Weka进行数据挖掘

- - 搜索研发部官方博客
数据挖掘、机器学习这些字眼,在一些人看来,是门槛很高的东西. 诚然,如果做算法实现甚至算法优化,确实需要很多背景知识. 但事实是,绝大多数数据挖掘工程师,不需要去做算法层面的东西. 他们的精力,集中在特征提取,算法选择和参数调优上. 那么,一个可以方便地提供这些功能的工具,便是十分必要的了. 而weka,便是数据挖掘工具中的佼佼者.

数据挖掘 - 分类算法比较

- - IBM developerWorks 中国 : 文档库
随着计算能力、存储、网络的高速发展,人类积累的数据量正以指数速度增长. 对于这些数据,人们迫切希望从中提取出隐藏其中的有用信息,更需要发现更深层次的规律,对决策,商务应用提供更有效的支持. 为了满足这种需求,数据挖掘技术的得到了长足的发展,而分类在数据挖掘中是一项非常重要的任务,目前在商业上应用最多.

数据挖掘分类技术

- - CSDN博客云计算推荐文章
从分类问题的提出至今,已经衍生出了很多具体的分类技术. 下面主要简单介绍四种最常用的分类技术,不过因为原理和具体的算法实现及优化不是本书的重点,所以我们尽量用应用人员能够理解的语言来表述这些技术. 而且我们会在第4章再次给读者讲述分类算法和相关原理. 在我们学习这些算法之前必须要清楚一点,分类算法不会百分百准确.

数据挖掘之R与SQL

- Wolf - 刘思喆 @ 贝吉塔行星
今天看到老同学@JulieJulieJulieJulie 的浪漫求婚,真的很浪漫、很唯美、很感动. 正如评论说的,我们又相信爱情了. 于是,小兴奋,睡不着,爬起来补一篇文章. 最近在数据挖掘专业网站 KDnuggets 上刊出了2011年度关于数据挖掘/分析语言流行度的调查,不出意料R、SQL、Python果然排在了前三位.

数据挖掘的标准流程

- - CSDN博客推荐文章
    CRISP-DM (cross-industry standard process for data mining), 即为"跨行业数据挖掘过程标准". 此KDD过程模型于1999年欧盟机构联合起草. 通过近几年的发展,CRISP-DM 模型在各种KDD过程模型中占据领先位置,采用量达到近60%.(数据引自Cios and Kurgan于2005年合著的论文trands in data mining and knowledge discovery中 )    在1996年,当时数据挖掘市场是年轻而不成熟的,但是这个市场显示了爆炸式的增长.

开源的数据挖掘工具

- - CSDN博客云计算推荐文章
本文的主要内容编译自Blaz Zupan和Janez Demsar的一篇论文(Open-Source Tools for Data Mining). 我仅仅选择其中的要点和大家共享,同时加入一些个人的点评意见. 此外,对开源的数据挖掘工具有兴趣的同仁,可以关注以下 OSDM09这个workshop,它会在PAKDD'09上同时进行,主要讨论的就是开源数据挖掘工具的议题.