五个免费开源的数据挖掘软件
- ※ABeen※ - 车东[Blog^2]在网上看到一篇文章介绍五个免费开源的数据挖掘软件，转过来. Orange 是一个基于组件的数据挖掘和机器学习软件套装，它的功能即友好，又很强大，快速而又多功能的可视化编程前端，以便浏览数据分析和可视化，基绑定了Python以进行脚本开发. 它包含了完整的一系列的组件以进行数据预处理，并提供了数据帐目，过渡，建模，模式评估和勘探的功能.
2012年数据挖掘软件使用调查
标签：
杂七杂八
datamining
k
KDnuggets
R
语言
| 发表时间：2012-05-31 22:57 | 作者：刘思喆
出处：http://www.bjt.name
第13期KDnuggets 关于数据挖掘软件的 调查结果新鲜出炉，调查了对于过去的12个月里实际的项目过程中使用了哪些数据挖掘（分析）软件？不出所料，底层语言使用频率最高的是依旧是R语言、SQL、Java和Python。而从软件工具角度上看，R、Excel和RapidMiner则名列三甲（去年R排名第二），具体排名如下图：
可以看到，排名靠前的以开源软件为主，商业软件则相对靠后。造成这种现象的原因很多，其中一条比较重要的因素就是当今社会复杂的数据环境，必须有更加灵活的软件做支持，灵活则是生命力。这个角度上看，闭源的商业软件依旧停留在上个世纪70年代batch的方式，曾经积攒的优势越来越不明显。
对于同R语言同级别的SAS而言，在这个调查下其使用流行度进一步萎缩。甚至 有人估计，2015年将是SPSS和SAS历史的终点。其实我不太想看到这一天～～
相关文章：
相关 [数据挖掘 软件] 推荐：
2012年数据挖掘软件使用调查
- - 刘思喆 @ 贝吉塔行星第13期KDnuggets 关于数据挖掘软件的 调查结果新鲜出炉，调查了对于过去的12个月里实际的项目过程中使用了哪些数据挖掘（分析）软件. 不出所料，底层语言使用频率最高的是依旧是R语言、SQL、Java和Python. 而从软件工具角度上看，R、Excel和RapidMiner则名列三甲（去年R排名第二），具体排名如下图：.
数据挖掘开源软件：WEKA基础操作
- - CSDN博客互联网推荐文章数据挖掘开源软件：WEKA基础教程. 本文档部分来自于网络，随着自己的深入学习，讲不断的修订和完善. 第一节 Weka简介：. Weka是由新西兰怀卡托大学开发的智能分析系统（Waikato Environment for Knowledge Analysis） . 以外的地方，Weka通常按谐音念成Mecca，是一种现今仅存活于新西兰岛的，健壮的棕色鸟, 非常害羞，好奇心很强，但不会飞 .
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.