选择正确的挖掘工具

选择数据挖掘技术的两个步骤：

1)        将商业问题转化成一系列数据挖掘的任务。

2)        理解可以获得的数据的信息：内容、字段类型、记录之间的关系。

将商业问题转化数据挖掘的任务

       主要是六种任务：分类，估值，预测，篮子分析，聚集，描述。

       一个例子：分析客户流失的原因。任务就是分类，但是可以采用的技术有很多：MBR，GA，连接分析，决策树，神经元网络。从中选择了决策树，是因为分完类之后，我们需要知道每个类的流失的原因。

技术	分类	估值	预测	篮子分析	聚集	描述
统计技术	是	是	是	是	是	是
关联规则			是	是	是	是
MBR	是		是	是	是	是
GA	是		是
聚集检测					是
连接分析	是		是	是
决策树	是		是		是	是
神经元网络	是	是	是		是

对可以挖掘的数据进行分析：

可能影响技术选择的一些数据性质

1）是种类字段占优势

2）是数值字段占优势

3）每个记录都有大量的字段（独立）

4）多个目标字段（非独立）

5）记录是变长的

6）有时间顺序的数据

7）自由文本数据

种类字段：

       关联分析和连接分析只适用于种类字段。

       决策树也可以很容易的用于种类字段。但是有一个忠告：就是当种类的值较多的时候，效果可能就会比较的差，当然如果限制分支的个数的时候，决策树的效果还是不错的。

       神经元网络：可以将种类字段转化成数值字段，但是这样就给种类字段强加了一个先后次序。也可以将种类字段作为多个输入，但是当值很多时，这种方法就成问题了。

数值字段：

       神经元网络将所有输入转化到0—1之间。

       MBR和聚集检测通过距离函数来处理数值字段。

决策树可以通过splitter数值来处理。

       对于关联分析，必须将数值变量区间化成种类变量。但是区间的选择是一个很困难的问题。

记录中的字段很多：

       神经元网络和MBR技术会受其影响，关联规则挖掘也会受影响。

       而决策树受其影响的程度就比较的小。

多个依赖变量：

       神经元网络是最佳的选择。

变长记录:

       只有关联规则和连接分析可以直接处理。

       对于其他的技术，数据需要一些处理。可以生成一些统计字段；将一条记录拆分成几条记录，每个含有记录号。

有时间顺序的数据：

       神经元网络，关联规则对时间顺序的数据的处理能力比较的好。

       决策树也能处理时间顺序，但是需要的数据准备就相对的比较的多一点。

自由文本：

       MBR。

数据挖掘技术卡：

	模型易理解性	模型易训练性	模型易实施性	通用性	有用性	产品可获得程度
统计	B	B	B	B	B	B
关联规则	A	A	A+	D	B	B
MBR	A-	B	B	A-	A-	C
GA	B-	C-	A-	B+	C	C
聚集检测	B+	B+	A-	A-	B-	B
连接分析	A-	C	B	D	B	C+
决策树	A+	B+	A+	A	A	B+
神经元网络	C-	B-	A-	A	A	A

几种方法的混合使用：

如何选择数据挖掘软件包：

1)    卖主提供有哪些数据挖掘技术

2)    在数据大小，用户数，字段数，硬件方面的伸缩能力

3)    有哪些硬件、软件平台的产品是现在就有的？

4)    是否提供对数据库和文件的透明访问？

5)    是否能有效的利用您的网络能力？

6)    是否提供多层的用户界面？

7)    是否对生成的结果有一个很好的解释？

8)    是否支持是图形化、可视化的，有没有报表工具？

9)    是否能处理不同的数据类型？

10) 是否容易使用？

11) 产品支持和顾问的方便程度？

12) 是否容易整合在一起？

13) 卖主的信用度如何？