数据挖掘方法分类有哪些？

数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。

数据挖掘方法按照来源进行分类显得过于庞杂，而且不便于理解和记忆。按照其目的，将数据挖掘方法分为预测性和描述性两大类，如下所示。

目的：预测性

定义：有监督学习，分类模型，用一个或多个自变量预测因变量的值

举例：客户是否会违约是一个因变量，可以根据客户的性别、年龄、收入、职位、经济状况、历史信用状况等因素进行预测

主要算法：决策树、线性回归、逻辑回归、支持向量机、神经网络、判别分析等

目的：描述性

定义：无监督学习，分析具有多个属性的数据集，找出潜在的模式，没有因变量

举例：观察个体之间的相似程度，如根据年龄、性别、收入等因素进行客户细分。根据客户对多个产品的购买情况发现产品之间的相关性

主要算法：聚类、关联分析、因子分析、主成分分析、社交网络分析等

一、预测性——有监督学习

预测性分析指的是用一个或多个自变量预测因变量的值，以历史数据为训练集，从中学习并建立模型，然后将此模型运用到当前数据上，推测结果。以客户违约作为预测性分析的研究场景，客户是否会违约是一个因变量，我们可以根据客户的性别、年龄、收入、职位、经济状况、历史信用状况等进行预测。

根据SAS工程师总结的商业案例，分类模型可分为三大类。

决策类，如银行卡欺诈检测、人体生物特征识别。

等级评定类，如客户信用评分。

估计类，如违约损失准备金估计、收入预测等。

有些数据挖掘算法在某类应用上表现得更好，如最近邻域法、支持向量机在决策类应用上表现良好，但是在解决排序类和估计类问题时表现一般。而有些数据挖掘算法的表现比较稳定，如决策树和逻辑回归对三类问题都适用，但是在决策类问题上没有在后两类问题上表现好。

描述性分析指的是分析具有多个属性的数据集，找出潜在的模式并进行分类。描述性分析是一种无监督的学习过程。区别于有监督的学习，无监督学习算法没有参照指标，需要结合业务经验来判断数据分类是否正确。无监督学习比较耗时，而且对建模人员的业务素质要求较高。

描述性分析主要应用于以下两种场景：第一种是观察个体之间的相似程度，如根据年龄、性别、收入等进行客户细分；第二种是根据客户购买的多个产品发现产品之间的相关性，主要算法包括样本聚类、关联规则等。

数字化转型网数据专题包含哪些内容

数字化转型网数据专题包含：

1、数据相关外脑支持：100+数据相关专家、100+数据实践者、1000+相关资料

2、数据研习社：与全球数据相关专家、实践者共同探讨相关问题，推动产业发展！