svm数据挖掘（数据挖掘sse）

数据挖掘算法有哪些

1、神经网络法是模拟生物神经系统的结构和功能，是一种通过训练来学习的非线性预测模型，它将每一个连接看作一个处理单元，试图模拟人脑神经元的功能，可完成分类、聚类、特征挖掘等多种数据挖掘任务。神经网络的学习方法主要表现在权值的修改上。

2、最大期望（EM）算法在统计计算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然 估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）。最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。

3、数据挖掘算法主要包括以下几种： 分类算法：如决策树、随机森林、支持向量机（SVM）等。这些算法可以用于预测类别型数据。 聚类算法：如K-means、层次聚类、DBSCAN等。这些算法用于将数据分组，使得相似的数据点聚集在一起。

4、最近邻算法KNN KNN即最近邻算法，其主要过程为：计算训练样本和测试样本中每个样本点的距离（常见的距离度量有欧式距离，马氏距离等）；对上面所有的距离值进行排序；选前k个最小距离的样本；根据这k个样本的标签进行投票，得到最后的分类类别；如何选择一个最佳的K值，这取决于数据。

什么是支持向量机?

1、什么是支持向量机？支持向量机基本概念 SVM算法是一种学习机制，是由Vapnik提出的旨在改善传统神经网络学习方法的理论弱点，最先从最优分类面问题提出了支持向量机网络。SVM学习算法根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以期获得最好的泛化能力。

2、支持向量机（SVM）是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。

3、支持向量机（support vector machines， SVM）是一种二分类模型，所谓二分类模型是指比如有很多特征（自变量X）对另外一个标签项（因变量Y）的分类作用关系，比如当前有很多特征，包括身高、年龄、学历、收入、教育年限等共5项，因变量为‘是否吸烟’，‘是否吸烟’仅包括两项，吸烟和不吸烟。

4、SVM - support vector machine， 俗称支持向量机，为一种supervised learning算法，属于classification的范畴。在数据挖掘的应用中，与unsupervised的Clustering相对应和区别。广泛应用于机器学习（Machine Learning）， 计算机视觉（Computer Vision） 和数据挖掘（Data Mining）当中。

如何利用数据挖掘算法进行精准营销?

1、大数据精准营销的时代，其精髓在于对个性化用户需求的精准把握。首先，我们通过构建细致入微的用户画像，这是一张由性别、兴趣、社会和消费行为等多元数据维度拼凑的立体画卷。用户画像并非凭空想象，而是通过对用户社交足迹、在线行为的深度挖掘和模型化，实现数据的搜集、清洗与分组，进而制定出精确的战略蓝图。

2、精准数据采集 通过指定的场景或者人为去精准用户地点去进行线下数据采集，采集进来的数据通过大数据的清洗分析去重后，得到的准确数据存入私人数据库中。

3、通过积累数据，才能更加准确的分析出你的新老用户的喜好和消费习惯。虽然过去大多数企业都会说顾客就是上帝，要以顾客为中心，想顾客所想，做客户想做，但是如何真正做到这个口号呢？目前就可以应用大数据分析法，分析客户的基本需求，这其实就是利用大数据进行营销的前提。

4、不局限在传统采集数据的过程一般是有限的、有意识的、结构化的进行数据采集你能采集 业务层：建模分析数据 使用的数据分析模型，例如基本统计、机器学习、例如数据挖掘的分类、聚类、关联、预测等算法。 应用层：解读数据 数据指导营销最重要的是解读。

5、首先，大数据精准营销要解决的首要问题是数据整合汇聚。运营商目前运用大数据实现精准营销的一个重要挑战是数据的碎片化，即信息化系统各自为政。