[分享]Data Mining的功能

 

一般而言，Data Mining功能可包含下列五项，这些功能大多为已成熟的计量及统计分析方法：

● 分类（classification）

● 推估（estimation）

● 预测（prediction）

● 关联分组（affinity grouping）

● 同质分组（clustering）

兹将这些功能的意义及可能使用的技巧简述如下：

分类（classification）

按照分析对象的属性分门别类加以定义，建立类组（class）。例如，将信用申请者的风险属性，区分为高度风险申请者，中度风险申请者及低度风险申请者。使用的技巧有决策树（decision tree），记忆基础推理（memory-based reasoning）等。

推估（estimation）

根据既有连续性数值之相关属性数据，以获致某一属性未知之值。例如按照信用申请者之教育程度、行为别来推估其信用卡消费量。使用的技巧包括统计方法上之相关分析、回归分析及类神经网络方法。

预测（prediction）

根据对象属性之过去观察值来推估该属性未来之值。例如由顾客过去之刷卡消费量预测其未来之刷卡消费量。使用的技巧包括回归分析、时间数列分析及类神经网络方法。

关联分组（affinity grouping）

从所有对象决定那些相关对象应该放在一起。例如超市中相关之盥洗用品（牙刷、牙膏、牙线），放在同一间货架上。在客户营销系统上，此种功能系用来确认交叉销售（cross-selling）的机会以设计出吸引人的产品群组。

同质分组（clustering）

将异质母体中区隔为较具同构型之群组（clusters），换言之，其目的是要将组与组之间的差异辨识出来，并对个别组内之相似样本进行挑选。同质分组相当于营销术语中的区隔化（segmentation），但是，假定事先未对于区隔加以定义，而数据中自然产生区隔。使用的技巧包括k-means法及agglomeration法。
推荐到鲜果： 查阅更多相关主题的帖子: Data Mining