數據挖掘一般是指從海量數據中提取出其中無法直接獲取的信息。通過各種數據源，將信息整合，發掘其內在關系。數據挖掘一般來說有6類，分別是回歸、分類、預測、關聯分析、預測分析和異常檢測。

回歸：確定兩種及以上變量之間相互依賴關系的一種方法。簡單來說就是找到自變量和因變量之間的函數關系。根據變量的不同，可分為一元回歸和多元回歸；根據自變量和因變量之間的關系類型，可分為線性回歸和非線性回歸。

分類：根據事物表現的特征，對事物進行分類，常見有決策樹、神經網絡、貝葉斯。

預測：以現有的數據為基礎，推出其內在規律，對未發生的情況進行預測，發現其內在規律，為人們進行決策提供了科學依據。

關聯分析：用來發現描述數據中強關聯特征的模式，簡單來說就是挖掘出數據之間的關聯強度。在超市購買商品，假設存在20種常被購買的商品，可以通過關聯分析，計算出商品之間的關聯關系，滿足一定條件的即為頻繁項集。也就是說購買的頻率會足夠大。

聚類分析：討論大量無標簽的樣本，按照一定特征下對樣本進行分類。主要是追求求其高相似度。常見有K-means聚類。

異常檢測：通常統計數據中會出現離群點，比如一家公司所有人的工資，有一個重數為員工工資，但是會有董事長、經歷的工資會較為異常，所以這類數據也十分有意義。

機器學習是計算機科學的一個領域，使用統計技術給計算機系統提供“學習的能力”，從一堆數據種找出其中規律（學習），然后運用到新數據中（預測），這樣的規律叫模型。主要可以分為監督學習和無監督學習。監督學習是指人為定義標準并執行，主要有回歸、分類兩類。無監督學習是指計算機自己尋找其中規律，主要有聚類分析。

?機器學習框架，建立機器學習框架時，會用到很多python程序模塊，常見的有Numpy、scikit-learn、matplotlib等。

機器學習框架一般存下以下幾個步驟:

? ? ? ? 1.數據加載

? ? ? ? 2.模型選取

? ? ? ? 3.模型訓練

? ? ? ? 4.模型預測

? ? ? ? 5.模型評測

? ? ? ? 6.模型保存

一般來說會將數據集分為訓練集和測試集，一般為3：1，通過訓練集得出最優模型，再再測試集進行模型預測。

總結

以上是生活随笔為你收集整理的数据挖掘和机器学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。