1樓：cda資料分析師
1.樸素貝葉斯，超級簡單，就像做一些數數的工作。如果條件獨立假設成立的話，nb將比鑑別模型收斂的更快，所以你只需要少量的訓練資料。
即使條件獨立假設不成立，nb在實際中仍然表現出驚人的好。
2. logistic回歸，lr有很多方法來對模型正則化。比起nb的條件獨立性假設，lr不需要考慮樣本是否是相關的。
與決策樹與支援向量機不同，nb有很好的概率解釋，且很容易利用新的訓練資料來更新模型。如果你想要一些概率資訊或者希望將來有更多資料時能方便的更新改進模型，lr是值得使用的。
3.決策樹，dt容易理解與解釋。dt是非引數的，所以你不需要擔心野點（或離群點）和資料是否線性可分的問題，dt的主要缺點是容易過擬合，這也正是隨機森林等整合學習演算法被提出來的原因。
4.支援向量機，很高的分類正確率，對過擬合有很好的理論保證，選取合適的核函式，面對特徵線性不可分的問題也可以表現得很好。svm在維數通常很高的文字分類中非常的流行。
如果想要或許更多更詳細的訊息，建議您去參加cda資料分析課程。大資料分析師現在有專業的國際認證證書了，cda，即「cda 資料分析師」，是在數字經濟大背景和人工智慧時代趨勢下，面向全行業的專業權威國際資格認證， 旨在提公升全民數字技能，助力企業數位化轉型，推動行業數位化發展。 「cda 資料分析師」具體指在網際網路、金融、零售、諮詢、電信、醫療、旅遊等行業專門從事資料的採集、清洗、處理、分析並能製作業務報告、 提供決策的新型資料分析人才。
點選預約免費試聽課。
2樓：若夢輪迴灬昊天
資料探勘本質還是機器學習演算法。
具體可以參見《資料探勘十大常見演算法》
常用的就是：svm，決策樹，樸素貝葉斯，邏輯斯蒂回歸等主要解決分類和回歸問題。
大資料探勘常用的演算法有哪些
3樓：加公尺谷大資料科技
(1)**建模：將已有資料和模型用於對未知變數的語言。
分類，用於**離散的目標變數。
回歸，用於**連續的目標變數。
(3)關聯分析(又稱關係模式)：反映乙個事物與其他事物之間的相互依存性和關聯性。用來發現描述資料中強關聯特徵的模式。
(4)異常檢測：識別其特徵顯著不同於其他資料的觀測值。
有時也把資料探勘分為：分類，回歸，聚類，關聯分析。
大資料探勘常用的演算法有哪些?
大資料探勘方法有哪些?
4樓：網友
1、分類。分類是找出資料庫中一組資料物件的共同特點並按照分類模式將其劃分為不同的類，其目的是通過分類模型，將資料庫中的資料項對映到某個給定的類別。
它可以應用到客戶的分類、客戶的屬性和特徵分析、客戶滿意度分析、客戶的購買趨勢**等，如乙個汽車零售商將客戶按照對汽車的喜好劃分成不同的類，這樣營銷人員就可以將新型汽車的廣告手冊直接郵寄到有這種喜好的客戶手中，從而大大增加了商業機會。
2、回歸分析。回歸分析方法反映的是事務資料庫中屬性值在時間上的特徵，產生乙個將資料項對映到乙個實值**變數的函式，發現變數或屬性間的依賴關係，其主要研究問題包括資料序列的趨勢特徵、資料序列的**以及資料間的相關關係等。
它可以應用到市場營銷的各個方面，如客戶尋求、保持和預防客戶流失活動、產品生命週期分析、銷售趨勢**及有針對性的**活動等。
3、聚類。聚類分析是把一組資料按照相似性和差異性分為幾個類別，其目的是使得屬於同一類別的資料間的相似性盡可能大，不同類別中的資料間的相似性盡可能小。
它可以應用到客戶群體的分類、客戶背景分析、客戶購買趨勢**、市場的細分等。
4、關聯規則。關聯規則是描述資料庫中資料項之間所存在的關係的規則，即根據乙個事務中某些項的出現可匯出另一些項在同一事務中也出現，即隱藏在資料間的關聯或相互關係。
在客戶關係管理中，通過對企業的客戶資料庫裡的大量資料進行挖掘，可以從大量的記錄中發現有趣的關聯關係，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定製客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙**等決策支援提供參考依據。
5、特徵。特徵分析是從資料庫中的一組資料中提取出關於這些資料的特徵式，這些特徵式表達了該資料集的總體特徵。如營銷人員通過對客戶流失因素的特徵提取，可以得到導致客戶流失的一系列原因和主要特徵，利用這些特徵可以有效地預防客戶的流失。
6、變化和偏差分析。偏差包括很大一類潛在有趣的知識，如分類中的反常例項，模式的例外，觀察結果對期望的偏差等，其目的是尋找觀察結果與參照量之間有意義的差別。在企業危機管理及其預警中，管理者更感興趣的是那些意外規則。
意外規則的挖掘可以應用到各種異常資訊的發現、分析、識別、評價和預警等方面。
大資料探勘常用的方法有哪些?
資料探勘演算法有哪些
5樓：匿名使用者
資料探勘的核心是為資料建立模型的過程。所有的資料探勘產品都有這個建模過程，不同的是它們構造模型的方式互不相同。進行資料探勘時可採用許多不同的演算法。
決策樹是一種經常要用到的技術，可以用於分析資料，同樣也可以用來作**。常用的演算法有chaid、cart、id3和。
決策樹方法很直觀，這是它的最大優點，缺點是隨著資料複雜性的提高，分支數增多，管理起來很困難。angoss公司的knowedgeseeker產品採用了混合演算法的決策樹。神經網路近來越來越受到人們的關注，因為它為解決大複雜度問題提供了一種相對來說比較有效的簡單方法。
神經網路常用於兩類問題：分類和回歸。它的最大優點是它能精確地對複雜問題進行**。
神經網路的缺點是網路模型是個黑盒子，**值難於理解；神經網路有過擬合的現象。ibm、sas、spss、hnc、angoss等公司是這個產品的**者。遺傳演算法是一種基於進化過程的組合優化方法。
它的基本思想是隨著時間的更替，只有最適合的物種才得以進化。遺傳演算法能夠解決其它技術難以解決的問題，然而，它也是一種最難於理解和最開放的方法。遺傳演算法通常與神經網路結合使用。
採用上述技術的某些專門的分析工具已經發展了大約十年的歷史，不過這些工具所面對的資料量通常較小。而現在這些技術已經被直接整合到許多大型的工業標準的資料倉儲和聯機分析系統中去了。
大資料探勘方法有哪些
6樓：海同職座標**
謝邀。大資料探勘的方法：
神經網路方法。
神經網路由於本身良好的魯棒性、自組織自適應性、並行處理、分布儲存和高度容錯等特性非常適合解決資料探勘的問題，因此近年來越來越受到人們的關注。
遺傳演算法。決策樹方法。
決策樹是一種常用於**模型的演算法，它通過將大量資料有目的分類，從中找到一些有價值的，潛在的資訊。它的主要優點是描述簡單，分類速度快，特別適合大規模的資料處理。
粗集方法。粗集理論是一種研究不精確、不確定知識的數學工具。粗集方法有幾個優點：不需要給出額外資訊；簡化輸入資訊的表達空間；演算法簡單，易於操作。粗集處理的物件是類似二維關係表的資訊表。
覆蓋正例排斥反例方法。
它是利用覆蓋所有正例、排斥所有反例的思想來尋找規則。首先在正例集合中任選乙個種子，到反例集合中逐個比較。與字段取值構成的選擇子相容則捨去，相反則保留。
按此思想迴圈所有正例種子，將得到正例的規則(選擇子的合取式)。
統計分析方法。
模糊集方法。
即利用模糊集合理論對實際問題進行模糊評判、模糊決策、模糊模式識別和模糊聚類分析。系統的複雜性越高，模糊性越強，一般模糊集合理論是用隸屬度來刻畫模糊事物的亦此亦彼性的。
大資料的特徵包括哪些，大資料的特徵有哪些？
大資料的四大特點。1 海量性 有idc 最近的報告 稱，在2020 年，將會擴大50 倍的全球資料量。現在來看，大資料的規模一直是乙個不斷變化的指標，單一資料集的規模範圍可以從幾十tb到數pb不等。也就是說，儲存1 pb資料是需要兩萬台配備50gb硬碟的個人電腦。而且，很多你意想不到的 都能產生資料...
大資料專業哪些大學有？大資料考研有哪些學校？
大資料專業開設院校有 北京大學 對外經濟 大學 中南大學 中國人民大學 復旦大學 北京郵電大學 華東師範大學 電子科技大學 北京資訊科技大學 中北大學 長春理工大學 上海工程技術大學 上海紐約大學 浙江財經大學 廣西科技大學 昆明理工大學 雲南師範大學 雲南財經大學等。1 北京大學 北京大資料研究院...
大資料入門書籍有哪些，適合入門大資料的書籍有哪些？
社交 電商 雲，o2o，大資料。每個階段都有熱點詞。這會兒最熱的應該就是 大資料 了。不過，有點濫，有點俗，似乎也有點泡沫化了。不用擔心，一般來講，講得最厲害的時候，時候還早呢 等到無聲無息了，那真是隨風潛入夜了。但是，說真的，處於這個風雲激盪創業年代的人們，如果能夠靜下心仔細瞭解點有關大資料的概念...