标签：问题 关联 路线 算法 聚类 数据挖掘 规划 pandas
数据挖掘学习路线规划
1. 数据挖掘与数据分析的区别
- 数据挖掘：输出的是模型和规则；
- 数据分析：输出的是统计结果。
2. 数据挖掘案例
3. 数据挖掘问题
数据挖掘问题大致可以分为以下4类：分类问题、聚类问题、关联问题、预测问题。
3.1 分类问题
用户流失预测、促销活动响应，评估用户度都属于数据挖掘的分类问题。
常见的分类算法：决策树、贝叶斯、KNN、支持向量机、神经网络、逻辑回归。
3.2 聚类问题
细分市场，细分客户群体都属于数据挖掘的聚类问题。
常见的聚类算法：划分聚类、层次聚类、密度聚类、网格聚类、基于模型聚类等。
3.3 关联问题
交叉销售问题等属于关联问题。
常见的关联分析算法：Aprior算法、Carma算法，序列算法等。
3.4 预测问题
常见的预测分析算法：简单线性回归分析、多重线性回归分析、时间序列等。
4. 学习路线
- 统计学
- 数据库
- SPSS
- Python：
- Pandas库的操作：pandas分组计算、pandas索引与多重索引、pandas多表操作与数据透视表
- numpy数值计算：Numpy array、数组索引操作、数组计算、Broadcasting
- 数据可视化：Matplotib、seaborn、pandas绘图功能
- 数据挖掘入门算法：
- 最小二乘法
- 梯度下降
- 向量化
- 极大似然估计
- Logistic Regression 逻辑回归
- Decision Tree 决策树
- Random Forest 随机森林
- XGBoost
文章参考：https://blog.csdn.net/zhinengxuexi/article/details/87882734
标签：问题,关联,路线,算法,聚类,数据挖掘,规划,pandas 来源： https://blog.csdn.net/qq_42757191/article/details/121289124
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。