类别型数据缺失的处理方法：自动填补法 自动填补法。即对同一个属性的所有缺失值用一个事先确定的值来填补，例如都用Unknown来填补。但是，当一个属性的缺失值较多时，该方法会导致数据分析结果不准确。 也...

类别型数据缺失的处理方法：人工填补法 人工填补法。即使用人力收集缺失的数据。 例如，当某个会员数据的生日属性有缺失时，可打电话询问该会员，以取得其生日数据并填补。 通常这种方法很费时，因此，当数据集很...

类别型数据缺失的处理方法：直接忽略法 直接忽略法。即当数据有缺失值时，则将整行数据删除。 直接忽略法是处理缺失值最简单的方法，一般，当缺失值占整行所有数据的比例过大时（>50%），便可直接将整行...

离群值的检测与处理方法 数值型数据的处理方法也是先观察其分布，即检测离群值。离群值的检测有3种方法。 方法一：当离群值为过大或过小的值时，对数据进行排序即可发现。 方法二：平均值法，在平均值±3×标准...

什么是数据整合：数据整合的例子 数据整合是将不同来源的数据整合在一个数据库中的过程。因为数据的来源不同，数据可能会出现不一致的情况，包括数据结构不一致、属性名不一致和属性值不一致。例如，不同来源的收入...

KNN（K最近邻）算法：主要思想、例子案例 KNN算法的主要思想是将需要分类的数据与训练数据进行对比，在事先指定的范围内，在训练数据中找到与待分类的数据距离最近的训练数据，再根据这些数据的类别，将待分...

数据挖掘模型评估指标：Profit Chart（利润图） Profit Chart（利润图）与Gain Chart及Lift Chart不同，其主要表示的是模型可能带来的收益，而不是模型的正确率。因此...

数据挖掘模型评估指标：Lift Chart（升力图） Lift Chart（升力图）是在Gain Chart的基础上，保持横轴不变（即依然为营销人数的百分比），而纵轴变为绩效增益。 如图4-9所示，可...

数据挖掘模型评估指标：Gain Chart Gain Chart（增益图）主要用来评估模型的好坏。如图4-8所示，其中横轴为营销人数的百分比，纵轴为有回应人数的百分比。 点①表示在向所有客户进行营销的...

数据挖掘的绩效增益 数据挖掘的绩效增益与营销的绩效增益有着极大的关联性。一般来说，影响营销的绩效有3种因素，即创意、优惠和名单。创意指的是营销活动是否有一个很好的创意，例如，有创意的宣传文字、标题等。...

预测型数据挖掘（有监督数据挖掘）的功能 预测型数据挖掘的功能分为两大类，即分类和预测，主要用于根据数据进行准确预测。 1.分类 分类用于预测数据所隶属的类别，例如，根据贷款客户的各种资料，预测其是否能...

描述型数据挖掘的功能：关联规则、序列模型和聚类分析 描述型数据挖掘的功能分为三大类，即关联规则、序列模型和聚类分析，主要用于寻找数据之间的关系。 1.关联规则 关联规则用于找出哪些事件常常会一起出现，...

CHAID算法：核心思想、分类过程 CHAID （Chi-Squared Automatic Interaction Detection，卡方自动交互检测）算法由Kass于1980年提出，其核心思想是...

分类与回归树算法（CART算法）与ID3、C5.0算法的区别、不同 CART（Classification and Regression Tree）算法，即分类与回归树算法，它是于1984年由Brei...

C5.0算法的剪枝方法 如果在训练数据集中存在噪声或者训练数据太少，就会出现过拟合的现象，这时我们需要对决策树模型进行剪枝。 在 C5.0算法中，剪枝的方法为：先建立决策树模型，使得模型分类的准确度达...

C5.0算法的字段选择方式 在C5.0算法中，引入了分支度（Information Value）的概念，即 信息增益率为：  

ID3算法的优点缺点 ID3算法是一种比较简单的决策树字段选择方法，它的基础理论清晰，但也有一些缺点。 （1）ID3算法在选择根节点和各内部节点中的分支属性时，采用信息增益作为评价标准。信息增益的缺点...

决策树与决策规则之间的关系 直接法和间接法看似相同，实则不同，因为决策树模型不一定等同于决策规则，二者之间有一些差别。下面通过一个例子介绍决策树与决策规则之间的关系。 图9-12所示的为根据观看球赛的...

决策树的分类：直接法与间接法 使用决策树进行分类有两种方法，即直接法和间接法。 （1）直接法：使用决策树对实例进行分类时，从树根开始，顺着分支向下走，直至到达某个叶节点，该叶节点即为该对象的分类。 （...