30个学习大数据挖掘的重要知识点！

-点击上方“中国统计网”订阅我吧！-

下面是一些关于大数据挖掘的知识点，今天和大家一起来学习一下。

1. 数据、信息和知识是广义数据表现的不同形式。

2. 主要知识模式类型有：广义知识，关联知识，类知识，预测型知识，特异型知识

3. web挖掘研究的主要流派有：Web结构挖掘、Web使用挖掘、Web内容挖掘

4. 一般地说，KDD是一个多步骤的处理过程，一般分为问题定义、数据抽取、数据预处理，数据挖掘以及模式评估等基本阶段。

5. 数据库中的知识发现处理过程模型有：阶梯处理过程模型，螺旋处理过程模型，以用户为中心的处理结构模型，联机KDD模型，支持多数据源多知识模式的KDD处理模型。

6. 粗略地说，知识发现软件或工具的发展经历了独立的知识发现软件、横向的知识发现工具集和纵向的知识发现解决方案三个主要阶段，其中后面两种反映了目前知识发现软件的两个主要发展方向。

7. 决策树分类模型的建立通常分为两个步骤：决策树生成，决策树修剪。

8. 从使用的主要技术上看，可以把分类方法归结为四种类型：

9. 关联规则挖掘问题可以划分成两个子问题：

10. 数据挖掘是相关学科充分发展的基础上被提出和发展的，主要的相关技术：

11. 衡量关联规则挖掘结果的有效性，应该从多种综合角度来考虑：

12. 约束的常见类型有：

13. 根据规则中涉及到的层次，多层次关联规则可以分为：

14. 按照聚类分析算法的主要思路，聚类方法可以被归纳为如下几种。

15. 类间距离的度量主要有：

16. 层次聚类方法具体可分为：

17. 文本挖掘(TD)的方式和目标是多种多样的，基本层次有：

18. 在web访问挖掘中常用的技术：

19. 根据功能和侧重点不同大数据学习，数据挖掘语言可以分为三种类型：

20. 规则归纳有四种策略：减法、加法，先加后减、先减后加策略。

21. 数据挖掘定义有广义和狭义之分。

22. web挖掘的含义： 针对包括Web页面内容、页面之间的结构、用户访问信息、电子商务信息等在内的各种Web数据，应用数据挖掘方法以帮助人们从因特网中提取知识，为访问者、站点经营者以及包括电子商务在内的基于因特网的商务活动提供决策支持。

23. K-近邻分类算法(K Nearest Neighbors，简称KNN)的定义：通过计算每个训练数据到待分类元组的距离，取和待分类元组距离最近的K个训练数据，K个数据中哪个类别的训练数据占多数，则待分类元组就属于哪个类别。

24. K-means算法的性能分析：

25. ID3算法的性能分析：

26. Apriori算法有两个致命的性能瓶颈:

27. 改善Apriori算法适应性和效率的主要的改进方法有：

28. 面向Web的数据挖掘比面向数据库和数据仓库的数据挖掘要复杂得多：

29. 简述知识发现项目的过程化管理I-MIN过程模型。

30. 改善Apriori算法适应性和效率的主要的改进方法有：

End.

（编辑：武汉站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!