4.8: 数据挖掘
- Page ID
- 172443
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)
数据挖掘是对大数据（以太字节计量）进行排序的过程。 过去，缺少可供分析的数据。 挑战在于必须审查的数据过多，这被称为数据过载。 这成为一个问题，因为用户需要评估哪些信息有用，哪些无用。 许多企业进行挖矿是为了详细了解其客户、产品并优化业务决策。 分析是使用复杂的程序执行的。 这些程序可以合并多个数据库。 最终效果非常复杂，公司必须找到存储数据的方法。 需要数据仓库。 数据仓库是存储和处理来自数据挖掘的信息的地方。 一个简单仓库的起价可能为1000万美元。
谷歌、Netflix、亚马逊和Facebook等公司都是数据挖掘的大用户。 他们试图找出谁是消费者，以及如何最好地留住他们并向他们出售更多产品。 他们还会审查自己的产品。 使用的手段是审查数据，寻找趋势、模式和关联以做出决策。 通常，数据挖掘是通过针对大量数据集（例如数据仓库）的自动化手段完成的。
数据挖掘的示例包括：
- 对@@ 一家大型杂货连锁店的销售进行分析可能会确定，在人口少于50,000的城市，下雨后的第二天购买牛奶的频率更高。
- 银行可能会发现，银行账户显示特定存款和取款模式的贷款申请人不具有良好的信用风险。
- 棒球队可能会找到那些在击球、投球和投球方面具有特定统计数据的大学棒球运动员，以获得更成功的美国职业棒球大联盟球员。
在某些情况下，数据挖掘项目在开始时会考虑假设的结果。 例如，一家杂货连锁店可能已经知道下雨后购买模式会发生变化，并希望更深入地了解到底发生了什么。 在其他情况下，没有先决条件，而是针对大型数据集运行数据挖掘程序来寻找模式和关联。