中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

數據挖掘是大數據產品經理必備的技能，本文作者將會為大家詳細地分享一些數據挖掘的相關知識。

了解數據挖掘知識是大數據產品經理必備的技能，經過了一段時間的對《數據挖掘》一書的深入學習，以及所負責項目中用到的數據挖掘內容，使我對數據挖掘有了更深一步的認識，但自認為還是小白階段。

路漫漫其修遠兮，在這里，先將總結出來的數據挖掘常見知識點與大家分享（也像大家推薦《數據挖掘》一書，本分享大多知識來源于此），后面陸續更新更多的知識點及項目案例。希望能與君共勉！

（此分享僅包含基礎概念知識，旨在幫助大數據產品經理快速了解數據挖掘知識，并能在工作中與算法和開發團隊順利合作，對于更深入的研究如統計學等知識后面有機會再與大家分享~）

第一部分 認識數據（1.1 認識數據 1.2 數據可視化 1.3數據相似性和相異性）

第二部分 數據預處理

第三部分 數據倉庫相關知識

第四部分 頻繁模式、關聯和相關性

第五部分 分類挖掘

第六部分 聚類分析

第七部分 離群點檢測

以上各部分，我將陸續與大家分享我的學習內容

第一部分 認識數據

1.1 認識數據

1.1.1 數據對象

什么是屬性：是一個數據字段，表示數據對象的一個特征。在文獻中，屬性、維、特征和變量可以互相地使用。機器學習文獻更傾向于使用術語“特征”，而統計學家則更愿意使用術語“變量”。數據挖掘和數據庫的專業人士則用“屬性”。例如，描述顧客對象的屬性可能包括customer_ID、name和address.

屬性向量：用來描述一個給定對象的一組屬性稱作屬性向量（或特征向量）。涉及的屬性（或變量）的數據分布稱作“單變量”，分布涉及兩個屬性為“雙變量”等等。

1.1.2 屬性類型

屬性類型：一個屬性的類型由該屬性可能具有的值得集合決定。屬性可以是標稱的、二元的、序數的或數值的。

（1）標稱屬性

標稱屬性的值是一些符號或是事物的名稱。每個值代表某種類別、編碼或狀態，因此標稱屬性又被看做是分類。這些值，不必具有意義的序。

例如：hari_color（頭發顏色）和marital_status（婚姻狀況），是兩個描述人的屬性。hari_color(頭發顏色)可能為黑色、棕色、紅色、赤褐色、白色、灰色等、屬性marital_status的值可能是單身、已婚、離異和喪偶。hair_color和marital_status都是標稱屬性，他們是無有意義的序。

（標稱屬性是有意義的序，并且不是定量的，因此，給定一個對象集，找出這種屬性的均值（平均值）或中位數（中值）沒有意義。然后，意見有意義的事情是使該屬性最常出現的值，這個值稱為眾數，是一種中心趨勢度量，后面我們將會介紹到）

（2）二元屬性

二元屬性是一種標稱屬性，只是兩個類別或狀態：0或1，其中0通常表示該屬性不出現，二1 表示出現。二元屬性又稱布爾屬性，如果兩種狀態對應于true和false的話。

（3）序數屬性

序數屬性其可能的值之間具有有意義的序或秩評定。其值如小、中、大；成績A+、A、A-、B+；軍階有列兵、一等兵、專業軍士、下士、中士等；

序數屬性的中心趨勢可以用它的眾數和中位數（有序序列的中間值）表示，但是不能定義均值。

（4）數值屬性

以上介紹的標稱、二元和序數屬性都是定性的。即，他們描述對象的特征，而不給出實際大小的數量。而數值屬性是定量的，即她可度量的量，用整數或實數值表示。數值屬性可以是區間標度的或比例標度的。

（5）離散屬性與連續屬性

機器學習領域開發的分類算法通常把屬性分成離散的或是連續的。每種類型都可以用不同的方法處理。離散屬性具有優先或無限可數個值，可以用或不用整數表示。如屬性hari_color、smoker、medical_test和drink_size都有有限個值，因此是離散的。

如果屬性不是離散的，則它是連續的。連續屬性一般使用浮點變量表示。

1.1.3 數據的基本統計與描述

（1）中心趨勢度量：均值、中位數和眾數

均值：數據集的最常用、最有效的數值度量是均值。

這對應于數據庫系統提供的內置聚集函數average（SQL的avg()）。

有時對于每個值可以有一個權重相關聯，權重反應他們所依附的對應值的意義、重要性或出現的頻率，公式如下：

這稱做加權算數均值或加權平均。

中位數：對于傾斜（非對稱）數據，數據中心的更好度量是中位數。中位數是有序數據值得中間值。它把數據較高的一半與較低的一半分開的值。

假定給定某屬性X的N個值按遞增排序，如果N是奇數，則中位數是該序集中的中間值；如果N是偶數，則中位數不唯一，它是最中間的兩個值和它們之間的任意值。在X是數值屬性的情況下，嘉定約定，中位數取做最中間兩個值的平均值。

眾數：眾數是另一種中心趨勢度量。數據集的整數是集合中出現最頻繁的值。因此，可以對定性和定量屬性確定眾數?？赡苁亲罡哳l率對應多個不同值，導致多個眾數。具有一個、兩個、三個眾數的數據集合分別稱為單峰的，雙峰的和三峰的。一般地，具有兩個或更多眾數的數據集是多峰的。在另一種極端的情況下，如果每個數據值僅出現一次，則它是沒有眾數的。

（2）度量數據散布：極差、四分位數、方差、標準方差、離群點

極差：設某數值屬性集合，極差位其最大值(max())與最小值(min())之差。

分位數：假設屬性X的數據以數值遞增排序，想象我們可以挑選某些數據點，以便把數據分布劃分成大小相等的連貫集。如圖：

四分位數：3個數據點，他們把數據分布劃分成4個相等部分，使得每部分表示數據分布的四分之一。通常稱為四分位數。

方差和標準方差：方差和標準方差都是數據散布度量，他們指出數據分布的散布程度。低標準方差以為數據觀察趨向于非常靠近均值，而高標準差表示數據散布在一個大的值域中。

本文由 @一毛硬幣 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議