數(shù)據(jù)挖掘最常見(jiàn)的十種方法

下面介紹十種數(shù)據(jù)挖掘（Data Mining）的分析方法，以便于大家對(duì)模型的初步了解，這些都是日常挖掘中經(jīng)常遇到的算法，希望對(duì)大家有用?。ㄉ踔劣?a href='/map/shujuwajue/' style='color:#000;font-size:inherit;'>數(shù)據(jù)挖掘公司，用其中的一種算法就能獨(dú)步天下）

1、基于歷史的MBR分析（Memory-Based Reasoning；MBR）

基于歷史的MBR分析方法最主要的概念是用已知的案例（case）來(lái)預(yù)測(cè)未來(lái)案例的一些屬性（attribute），通常找尋最相似的案例來(lái)做比較。
記憶基礎(chǔ)推理法中有兩個(gè)主要的要素，分別為距離函數(shù)（distance function）與結(jié)合函數(shù)（combination function）。距離函數(shù)的用意在找出最相似的案例；結(jié)合函數(shù)則將相似案例的屬性結(jié)合起來(lái)，以供預(yù)測(cè)之用。記憶基礎(chǔ)推理法的優(yōu)點(diǎn)是它容許各種型態(tài)的數(shù) 據(jù)，這些數(shù)據(jù)不需服從某些假設(shè)。另一個(gè)優(yōu)點(diǎn)是其具備學(xué)習(xí)能力，它能藉由舊案例的學(xué)習(xí)來(lái)獲取關(guān)于新案例的知識(shí)。較令人詬病的是它需要大量的歷史數(shù)據(jù)，有足夠 的歷史數(shù)據(jù)方能做良好的預(yù)測(cè)。此外記憶基礎(chǔ)推理法在處理上亦較為費(fèi)時(shí)，不易發(fā)現(xiàn)最佳的距離函數(shù)與結(jié)合函數(shù)。其可應(yīng)用的范圍包括欺騙行為的偵測(cè)、客戶(hù)反應(yīng)預(yù) 測(cè)、醫(yī)學(xué)診療、反應(yīng)的歸類(lèi)等方面。

2、購(gòu)物籃分析（Market Basket Analysis）

購(gòu)物籃分析最主要的目的在于找出什么樣的東西應(yīng)該放在一起？商業(yè)上的應(yīng)用在藉由顧客的購(gòu)買(mǎi)行為來(lái)了解是什么樣的顧客以及這些顧客為什么買(mǎi)這些產(chǎn)品，找出相 關(guān)的聯(lián)想（association）規(guī)則，企業(yè)藉由這些規(guī)則的挖掘獲得利益與建立競(jìng)爭(zhēng)優(yōu)勢(shì)。舉例來(lái)說(shuō)，零售店可藉由此分析改變置物架上的商品排列或是設(shè)計(jì) 吸引客戶(hù)的商業(yè)套餐等等。
購(gòu)物籃分析基本運(yùn)作過(guò)程包含下列三點(diǎn)：
（1）選擇正確的品項(xiàng)：這里所指的正確乃是針對(duì)企業(yè)體而言，必須要在數(shù)以百計(jì)、千計(jì)品項(xiàng)中選擇出真正有用的品項(xiàng)出來(lái)。
（2）經(jīng)由對(duì)共同發(fā)生矩陣（co-occurrence matrix）的探討挖掘出聯(lián)想規(guī)則。
（3）克服實(shí)際上的限制：所選擇的品項(xiàng)愈多，計(jì)算所耗費(fèi)的資源與時(shí)間愈久（呈現(xiàn)指數(shù)遞增），此時(shí)必須運(yùn)用一些技術(shù)以降低資源與時(shí)間的損耗。
購(gòu)物籃分析技術(shù)可以應(yīng)用在下列問(wèn)題上：
（1）針對(duì)信用卡購(gòu)物，能夠預(yù)測(cè)未來(lái)顧客可能購(gòu)買(mǎi)什么。
（2）對(duì)于電信與金融服務(wù)業(yè)而言，經(jīng)由購(gòu)物籃分析能夠設(shè)計(jì)不同的服務(wù)組合以擴(kuò)大利潤(rùn)。
（3）保險(xiǎn)業(yè)能藉由購(gòu)物籃分析偵測(cè)出可能不尋常的投保組合并作預(yù)防。
（4）對(duì)病人而言，在療程的組合上，購(gòu)物籃分析能作為是否這些療程組合會(huì)導(dǎo)致并發(fā)癥的判斷依據(jù)。

3、決策樹(shù)（Decision Trees）

決策樹(shù)在解決歸類(lèi)與預(yù)測(cè)上有著極強(qiáng)的能力，它以法則的方式表達(dá)，而這些法則則以一連串的問(wèn)題表示出來(lái)，經(jīng)由不斷詢(xún)問(wèn)問(wèn)題最終能導(dǎo)出所需的結(jié)果。典型的決策 樹(shù)頂端是一個(gè)樹(shù)根，底部有許多的樹(shù)葉，它將紀(jì)錄分解成不同的子集，每個(gè)子集中的字段可能都包含一個(gè)簡(jiǎn)單的法則。此外，決策樹(shù)可能有著不同的外型，例如二元 樹(shù)、三元樹(shù)或混和的決策樹(shù)型態(tài)。

4、遺傳算法（Genetic Algorithm）

遺傳算法學(xué)習(xí)細(xì)胞演化的過(guò)程，細(xì)胞間可經(jīng)由不斷的選擇、復(fù)制、交配、突變產(chǎn)生更佳的新細(xì)胞?；蛩惴ǖ倪\(yùn)作方式也很類(lèi)似，它必須預(yù)先建立好一個(gè)模式，再經(jīng) 由一連串類(lèi)似產(chǎn)生新細(xì)胞過(guò)程的運(yùn)作，利用適合函數(shù)（fitness function）決定所產(chǎn)生的后代是否與這個(gè)模式吻合，最后僅有最吻合的結(jié)果能夠存活，這個(gè)程序一直運(yùn)作直到此函數(shù)收斂到最佳解?；蛩惴ㄔ谌杭?（cluster）問(wèn)題上有不錯(cuò)的表現(xiàn)，一般可用來(lái)輔助記憶基礎(chǔ)推理法與類(lèi)神經(jīng)網(wǎng)絡(luò)的應(yīng)用。

5、聚類(lèi)分析（Cluster Detection）

這個(gè)技術(shù)涵蓋范圍相當(dāng)廣泛，包含基因算法、類(lèi)神經(jīng)網(wǎng)絡(luò)、統(tǒng)計(jì)學(xué)中的群集分析都有這個(gè)功能。它的目標(biāo)為找出數(shù)據(jù)中以前未知的相似群體，在許許多多的分析中，剛開(kāi)始都運(yùn)用到群集偵測(cè)技術(shù)，以作為研究的開(kāi)端。

6、連接分析（Link Analysis）

連接分析是以數(shù)學(xué)中之圖形理論（graph theory）為基礎(chǔ)，藉由記錄之間的關(guān)系發(fā)展出一個(gè)模式，它是以關(guān)系為主體，由人與人、物與物或是人與物的關(guān)系發(fā)展出相當(dāng)多的應(yīng)用。例如電信服務(wù)業(yè)可藉 連結(jié)分析收集到顧客使用電話(huà)的時(shí)間與頻率，進(jìn)而推斷顧客使用偏好為何，提出有利于公司的方案。除了電信業(yè)之外，愈來(lái)愈多的營(yíng)銷(xiāo)業(yè)者亦利用連結(jié)分析做有利于 企業(yè)的研究。

7、OLAP分析（On-Line Analytic Processing；OLAP）

嚴(yán)格說(shuō)起來(lái)，OLAP分析并不算特別的一個(gè)數(shù)據(jù)挖掘技術(shù)，但是透過(guò)在線分析處理工具，使用者能更清楚的了解數(shù)據(jù)所隱藏的潛在意涵。如同一些視覺(jué)處理技術(shù)一般，透過(guò)圖表或圖形等方式顯現(xiàn)，對(duì)一般人而言，感覺(jué)會(huì)更友善。這樣的工具亦能輔助將數(shù)據(jù)轉(zhuǎn)變成信息的目標(biāo)。

8、神經(jīng)網(wǎng)絡(luò)（Neural Networks）

神經(jīng)網(wǎng)絡(luò)是以重復(fù)學(xué)習(xí)的方法，將一串例子交與學(xué)習(xí)，使其歸納出一足以區(qū)分的樣式。若面對(duì)新的例證，神經(jīng)網(wǎng)絡(luò)即可根據(jù)其過(guò)去學(xué)習(xí)的成果歸納后，推導(dǎo)出新的結(jié)果，乃屬于機(jī)器學(xué)習(xí)的一種。數(shù)據(jù)挖掘的相關(guān)問(wèn)題也可采類(lèi)神經(jīng)學(xué)習(xí)的方式，其學(xué)習(xí)效果十分正確并可做預(yù)測(cè)功能。

9、判別分析（Discriminant Analysis）

當(dāng)所遭遇問(wèn)題它的因變量為定性（categorical），而自變量（預(yù)測(cè)變量）為定量（metric）時(shí)，判別分析為一非常適當(dāng)之技術(shù)，通常應(yīng)用在解決 分類(lèi)的問(wèn)題上面。若因變量由兩個(gè)群體所構(gòu)成，稱(chēng)之為雙群體 —判別分析 （Two-Group Discriminant Analysis）；若由多個(gè)群體構(gòu)成，則稱(chēng)之為多元判別分析（Multiple Discriminant Analysis；MDA）。
（1） 找出預(yù)測(cè)變量的線性組合，使組間變異相對(duì)于組內(nèi)變異的比值為最大，而每一個(gè)線性組合與先前已經(jīng)獲得的線性組合均不相關(guān)。
（2） 檢定各組的重心是否有差異。
（3） 找出哪些預(yù)測(cè)變量具有最大的區(qū)別能力。
（4） 根據(jù)新受試者的預(yù)測(cè)變量數(shù)值，將該受試者指派到某一群體。

10、羅吉斯回歸分析（Logistic Analysis）

當(dāng)判別分析中群體不符合正態(tài)分布假設(shè)時(shí)，羅吉斯回歸分析是一個(gè)很好的替代方法。羅吉斯回歸分析并非預(yù)測(cè)事件（event）是否發(fā)生，而是預(yù)測(cè)該事件的機(jī) 率。它將自變量與因變量的關(guān)系假定是S行的形狀，當(dāng)自變量很小時(shí)，機(jī)率值接近為零；當(dāng)自變量值慢慢增加時(shí)，機(jī)率值沿著曲線增加，增加到一定程度時(shí)，曲線協(xié) 率開(kāi)始減小，故機(jī)率值介于0與1之間。