对于一个数据挖掘项目而言，我们可以选择的模型众多，比如我们可以选择：线性回归、Logistic 回归、决策树、集成算法等，同样对于一个模型而言，也有很多参数和图形来评估模型好坏。数据挖掘的目的不能是简单地构建一个预测模型，而是创建和选择一个对样本以外数据也能做到高精度的模型。因此，在计算预测值之前，检查模...

目前，由于数据挖掘技术的门槛较高，实现起来复杂度较大，因此一般一个数据挖掘项目通常就是建立一个模型，这个模型要尽量有更广泛的应用范围。这样做其实会导致模型的适应能力下降，而多个模型适用效果就远远好于一个模型。

我们知道一个完整的数据挖掘项目通常包含以下流程（1）业务理解、（2）数据理解、（3）数据准备、（4）数据预处理和建模、（5）模型评估、（6）模型部署应用。而要完成一个数据挖掘任务，必须要具备两方面的技能，技术能力和业务知识。技术能力主要包括数据统计分析能力，算法能力，计算机能力等，业务知识体现的则是对...

以最流行的 Scikit-learn 为例，提供了包括回归 (Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering) 等方法的开源包，使用者可以灵活的实现各种建模操作。但是也有人发现了，同样的开源包不同的人建出的模型效果是不一样的，甚至大相径庭。为什么大牛就能建出高质量模型，而我基于开...

我们知道，数据挖掘的基本流程包括：（1）业务理解、（2）数据理解、（3）数据准备、（4）数据预处理和建模、（5）模型评估、（6）模型部署应用。其中第 4 步，数据预处理和建模是整个流程的核心部分，其他的步骤都是围绕的该步骤进行的。建模高手和初学者的差距也往往在这里，建出一个模型很容易，快速高效的建出一个好...

为了回答这个问题，我们先来了解一下建模的流程，通常一个完整的数据挖掘项目包含以下流程（1）业务理解、（2）数据理解、（3）数据准备、（4）数据预处理和建模、（5）模型评估、（6）模型部署应用。这个流程的操作性很强，也是业界公认标准。

当前用于数据挖掘的工具软件主要有两类，早期都是有图形化界面的商用软件，比如 SAS 和 SPSS，此类工具历史悠久，性能稳定。图形化的操作界面基本以拖拽填写为主，配合少量脚本编程，使用较为方便。不过，此类工具的价格也比较高，一般只有大型企业在用。

所谓结构化数据，是指表现为二维形式的数据，一般特点是：数据以行（也称样本）为单位，一行数据表示一个实体的信息，每一行数据的属性（也称字段或列）是相同的。结构化数据可以来自于数据库，也可以来自于文本文件或 Excel。

傍晚小街路面上沁出微雨后的湿润，和煦的细风吹来，抬头看看天边的晚霞，嗯，明天又是一个好天气。走到水果摊旁，挑了个根蒂蜷缩、敲起来声音浊响的青绿西瓜，心里期待着享受这个好瓜。

各行各业都对数据挖掘表现出极大兴趣，也纷纷展开了应用尝试，但成功案例并不多，这是为什么呢？ 1. 数据质量差 玩数据就像挖金矿。如果含金量高，那么挖掘难度就小，出金率就高，如果含金量低，那么就会难度大效果差。数据质量问题通常表现在三个方面。 （1）数据量不足 要教一个牙牙学语的小朋友什么是苹果，只需要指...

简介： 回归预测是指预测的目标是连续型的变量，数据探索和预处理时与分类预测有哪些相同，哪些不同，让我们用房价预测作为案例来实战分析这些问题。

简介： 数据挖掘作为现在的热门词汇，那么什么是数据挖掘，它又是干什么的，它是怎么工作的，真的有那么神奇吗？这里我们用中学生能理解的语言告诉您这些问题的答案。视频播放地址：[链接]

简介 titanic 幸存者预测案例是数据挖掘的入门案例，非常适合初学者来学习，这里我们就以此数据作为切入点来讲述数据挖掘的过程，感受数据挖掘的魅力。视频播放地址：[链接]