数据挖掘超市（数据挖掘市场）

数据挖掘问题··

1、可伸缩由于数据产生和采集技术的进步，数太字节（TB）、数拍字节（PB）甚至数艾字节（EB）的数据集越来越普遍。如果数据挖掘算法要处理这些海量数据集，则算法必须是可伸缩的。许多数据挖掘算法采用特殊的搜索策略来处理指数级的搜索问题。

2、猜测问题 此处说的猜测问题指的是狭义的猜测，并不包含前面阐述的分类问题，因为分类问题也归于猜测。一般来说咱们谈猜测问题首要指猜测变量的取值为连续数值型的状况。

3、估值、预言属于e直接数据挖掘；后三j种属于r间接数据挖掘 2）各种分1析方6法的简介2 ·分2类 （Classification） 首先从1数据中1选出已i经分6好类的训练集，在该训练集上v运用数据挖掘分3类的技术，建立分2 类模型，对于a没有分4类的数据进行分4类。

4、答案：不一定，1） 可能是既定事实，比如奶粉和奶瓶，这个是大家工人的事实，不需要用关联规则来解释。

5、数据挖掘中的特征选择问题 特征工程包括特征选择和特征提取。数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。

6、web数据挖掘是一项综合性技术，指Web从文档结构和使用的集合C中发现隐含的模式P，如果将C看做是输入，P 看做是输出，那么Web 挖掘过程就可以看做是从输入到输出的一个映射过程。特征分析 特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。

数据挖掘的起源与发展

1、数据挖掘开始兴起于1989年.数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。它是数据库知识发现中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。

2、数据挖掘的起源 来自不同学科的研究者汇集到一起，开始着手开发可以处理不同数据 类型的更有效的、可伸缩的工具。这些工作都是建立在研究者先前使用的方法学和算法之上，而在数据挖掘领域达到高潮。

3、数据挖掘的广义观点：数据挖掘就是从存放在数据库，数据仓库或其他信息库中的大量的数据中“挖掘”有趣知识的过程。数据挖掘，又称为数据库中知识发现（Knowledge Discovery in Database， KDD）， 也有人把数据挖掘视为数据库中知识发现过程的一个基本步骤。

4、近年来，数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量数据，可以广泛使用，并且迫切需要将这些数据转换成有用的信息和知识。获取的信息和知识可以广泛用于各种应用，包括商务管理，生产控制，市场分析，工程设计和科学探索等。

5、起源 需要是发明之母。近年来，数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量数据，可以广泛使用，并且迫切需要将这些数据转换成有用的信息和知识。获取的信息和知识可以广泛用于各种应用，包括商务管理，生产控制，市场分析，工程设计和科学探索等。

6、[编辑本段] 数据挖掘的起源 为迎接前一节中的这些挑战，来自不同学科的研究者汇集到一起，开始着手开发可以处理不同数据类型的更有效的、可伸缩的工具。这些工作建立在研究者先前使用的方法学和算法之上，在数据挖掘领域达到高潮。

急寻超市日常营业数据,作数据挖掘研究用

从销量入手 与去年同期相比查找销量下降原因 从滞销品查找，主要分析零销售商品。应季商品销量分析。分析各区销售占比。

数据挖掘的方法有多种。包括聚类分析、关联规则分析、序列分析、分类分析、回归分析等。聚类分析是一种无监督的机器学习方法，主要用于将数据划分为多个不同的组或簇。这种划分是基于数据的相似性进行的，相似的数据被归为同一簇。聚类分析广泛应用于客户细分、社交网络分析等领域。

买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的关联规则。案例分析：就沃尔马案例而言，使用关联规则挖掘技术，对交易资料库中的纪录进行资料挖掘，首先必须要设定最小支持度与最小信赖度两个门槛值，在此假设最小支持度min_support=5% 且最小信赖度min_confidence=70%。

如何利用这张图？企业需要制定对应的策略来逐步提高这两项指标，比如加强沟通，注意沟通技巧，改变促销活动频率等。沟通频率需要和平均购买天数一致，绝对不能随性。

对客户满意度和忠诚度的重视等。由沃尔玛官方发出的公告得知：截止于2023年4月，沃尔玛数据挖掘技术对超市客户关系管理的作用是、精细的数据分析、多层次的沟通和互动，以及对客户满意度和忠诚度的重视。 沃尔玛百货有限公司，是一家美国的世界性连锁企业，以营业额计算为全球最大的公司。

Reuteres是世界著名的金融信息服务公司，其利用的数据大都是外部的数据，这样数据的质量就是公司生存的关键所在，必须从数据中检测出错误的成分。Reuteres用SPSS的数据挖掘工具SPSS/Clementine，建立数据挖掘模型，极大地提高了错误的检测，保证了信息的正确和权威性。

数据挖掘的经典算法

聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。根据定义可以把其分为四类：基于层次的聚类方法；分区聚类算法；基于密度的聚类算法；网格的聚类算法。常用的经典聚类方法有K-mean，K-medoids，ISODATA等。

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。

用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；2） 在树构造过程中进行剪枝；3） 能够完成对连续属性的离散化处理；4） 能够对不完整数据进行处理。