这段文本在洞察是一款自助式数据挖掘分析型,面向业务管理者、运营、业务分析师等人员提供低使用门槛的智能、自动化、全面、精准的数据诊断和分析能力,智能发现数据规律或异常,实现从数据到知识的提取,辅助业务决策
洞察是一款自助式数据挖掘分析型，面向业务管理者、运营、业务分析师等人员提供低使用门槛的智能、自动化、全面、精准的数据诊断和分析能力，智能发现数据规律或异常，实现从数据到知识的提取，辅助业务决策。
数据挖掘之数据准备—— 原始数据的描述
数据样本是数据挖掘过程的基本组成部分，每个样本都用几个特征来描述，每个特征都有不同类型的值。 首先介绍两种常见的基本类型：数值型 和 分类型 数值型值包括实型变量和整型变量如年龄，速度或长度。 数值型特征有两个重要的属性：其值有顺序关系和距离关系。 与其形成对照的是，分类型变量没有上述两种关系，分类型变量的两个值 可以相等或者不等。它们只建立一种等同关系（蓝色=蓝色 或者 红色 ！= 蓝...
数据挖掘之数据准备——时间相关数据
实际的数据挖掘应用范围包括时间强相关，时间弱相关和时间无关问题。现实中的时间相关问题需要特殊的数据准备和数据转换。 首先讨论最简单的情况——在一定的时间间隔测量的单个特征，这个特征的一系列值实在固定的时间间隔测量的。 例如 温度读数每小时测一次 X=｛t(1), t(2),t(3),..., t(n)｝ 其中 t(n) 是最近测定的值。 许多时间序列问题的...
数据挖掘之数据准备——丢失数据
对数据挖掘的实际应用而言，即使数据量很大，具有完整数据的案例子集可能相对较小。可用的样本和将来的事件都可能有丢失值。一些数据挖掘方法可以接受丢失值，并能进行圆满的处理，得到最终结论。一个明显的问题是，在应用数据挖掘方法之前的数据准备阶段，能否把这些丢失值补上。最简单的解决办法是减少数据集，去除包含丢失值的所有样本。若大型数据集是可用的，且只有一小部分样本包含丢失值，则这是可行的。 如果不去除丢.....
数据挖掘之数据准备——原始数据的转换
接下来介绍的几个数据转换常见类型与问题无关，并可能改善数据挖掘的结果。在特定应用中选择和使用技术，取决于数据的类型，数据量和数据挖掘任务的一般特征。 1. 标准化 一些数据挖掘方法，一般是那些基于n维空间中的点间距离计算的方法，可能需要对数据进行标准化，以获得最佳结果。测量值可按比例对应到一个特定的范围。如【-1,1】或者【0,1】。如果没有标准化，距离测量值将会超出数值较大的特征。数...
数据挖掘之数据准备——原始数据的特性
最初为数据挖掘准备的所有原始数据集通常很大，它们中的许多都和人有关，且比较杂乱。 初始数据集应包含丢失值，失真，误记录和不正当样本等。要得到高质量的数据，必须在分析者看到它们之前，先整理和预处理数据，使其就像设计合理，准备充分的数据仓库中的数据一样。 杂乱数据的来源和含义。数据杂乱的原因如下： 1、数据丢失的原因包括测量或者记录出错，有时候都无法获得数据值。在数据建模处...
数据挖掘之数据准备——原始数据的描述
数据样本是数据挖掘过程的基本组成部分，每个样本都用几个特征来描述，每个特征都有不同类型的值。 首先介绍两种常见的基本类型：数值型 和 分类型 数值型值包括实型变量和整型变量如年龄，速度或长度。 数值型特征有两个重要的属性：其值有顺序关系和距离关系。 与其形成对照的是，分类型变量没有上述两种关系，分类型变量的两个值 可以相等或者不等。它们只建立一种等同关系（蓝色=蓝色 或者 红色 ！= 蓝...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
瓴羊智能服务
专注于为企业提供数智化转型服务，数据知识挖掘机...方法论、数据技术与产品、最佳行业实践都能聊！
+关注