数据挖掘有哪两种方法？——数字化转型网数据专题

数据挖掘的2种方法是什么？——数字化转型网数据专题
比较数据挖掘和统计分析的区别，数据挖掘是知识发现，统计分析是假设检验，但真的是这样吗？
假设检验（面向目标） 数据挖掘有一个客观变量来预测购买量和客户反应，并据此对客户进行分类。回归分析、决策树和神经网络等许多技术都用于有目的地构建模型。
知识发现（探索性）数据挖掘没有目标变量，试图从获得的数据中寻找有用的规则、模式、相似性等，作为一种典型的方法用于购物篮分析，属于关联分析。
在假设检验数据挖掘中，估计和理解是指估计和理解定量的数字，例如在什么地区销售什么样的产品，销售多少。分类提炼 是指将各个地区畅销的产品和产品类别进行提炼，分类整理后进行分析。这两个是为了正确识别当前的情况，但预测 不是当前的情况，而是通过创建某种模型来预测未来的销量和畅销产品。统计分析处理的数据量比较少，数据挖掘可能更多。数据挖掘也有知识发现的成分，但不是通过输入数据就能自动发现的。应该认识到数据挖掘有两种类型：不仅是知识发现，还有假设检验，就像统计分析一样。
另一方面，知识启发式数据挖掘 关联规则制定 是探索性地同时知道买了什么和买了什么。 聚类 是指根据购买趋势等对相似的人进行分组，并尝试对每个组实施最佳措施。由于这两种方法没有目标变量，所以它们对应于多元分析中的汇总方法，但也不是没有目标的。
聚类和分类的区别在于分组依据是基于预定义的属性、购买金额等，还是分组基于事后定义的探索性依据。分位分析、RFM 分析等是对客户进行分组的类似方法，但基于预定义的标准，例如购买数量和频率。在聚类分析中，由于某种原因，分组是任意的，并且在事后进行分析以了解组的特征，因此方法完全不同。
文本挖掘是一种具有代表性的 了解群体特征 的数据挖掘方法，用于假设检验和知识发现。文本挖掘可用于定性和定量地了解有目的所说的内容，或探索性地发现所说的内容。
这样就有了两种类型的数据挖掘：假设检验（面向目标）数据挖掘和知识发现（探索）数据挖掘。

向楼主学习

不错 支持下

我也来顶一下..