有哪些常用的数据挖掘技术？
展开全部 各种统计方法，比如假设检验，方差分析，回归分析，逻辑回归，聚类分析，因子分析等等，还有关联规则，决策树，支持向量机，神经网络，朴素贝叶斯等等好多呢。
数据挖掘技术主要包括哪些
数据挖掘技术主要有决策树 、神经网络 、回归 、关联规则 、聚类 、贝叶斯分类6中。
1、决策树技术。 决策树是一种非常成熟的、普遍采用的数据挖掘技术。在决策树里，所分析的数据样本先是集成为一个树根，然后经过层层分枝，最终形成若干个结点，每个结点代表一个结论。
2、神经网络技术。 神经网络是通过数学算法来模仿人脑思维的，它是数据挖掘中机器学习的典型代表。神经网络是人脑的抽象计算模型，数据挖掘中的“神经网络”是由大量并行分布的微处理单元组成的，它有通过调整连接强度从经验知识中进行学习的能力，并可以将这些知识进行应用。
3、回归分析技术。 回归分析包括线性回归，这里主要是指多元线性回归和逻辑斯蒂回归。其中，在数据化运营中更多使用的是逻辑斯蒂回归，它又包括响应预测、分类划分等内容。
4、关联规则技术。 关联规则是在数据库和数据挖掘领域中被发明并被广泛研究的一种重要模型，关联规则数据挖掘的主要目的是找出数据集中的频繁模式，即多次重复出现的模式和并发关系，即同时出现的关系，频繁和并发关系也称作关联。
5、聚类分析技术。 聚类分析有一个通俗的解释和比喻，那就是“物以类聚，人以群分”。针对几个特定的业务指标，可以将观察对象的群体按照相似性和相异性进行不同群组的划分。经过划分后，每个群组内部各对象间的相似度会很高，而在不同群组之间的对象彼此间将具有很高的相异度。
6、贝叶斯分类技术。 贝叶斯分类方法是非常成熟的统计学分类方法，它主要用来预测类成员间关系的可能性。比如通过一个给定观察值的相关属性来判断其属于一个特定类别的概率。贝叶斯分类方法是基于贝叶斯定理的，朴素贝叶斯分类方法作为一种简单贝叶斯分类算法甚至可以跟决策树和神经网络算法相媲美。 参考资料来源：百度百科-数据挖掘
常用的数据分析方法有哪些？
数据分析落实到实处，一般就是围绕用户漏斗展开的。也就是人们常说的访问-激活-留存-交易-推荐。 这核心的5步会有不同维度的细分。 获客：来源、渠道、关键字、着陆页、地域、设备、访问时间、跳出率、访问深度、停留时间、新客量等等； 激活：DAU（日活跃用户）、MAU（月活跃用户） 留存：日留存率、周留存率、月留存率 交易：订单量、订单金额、LTV 推荐：是否传播（k>1) 需要获取以上数据，可以通过ptengine通过漏斗细分得到可视化图表。一般来讲，同比（本周和上周）、环比（本月第一周和上月第一周）、定基比（所有数据和当年第一周）即可获得数据的变化情况。 以上，其实不用很专业也能做好数据分析，获取数据并不难，难的是你能洞察数据背后的意义。
用于数据挖掘的分类算法有哪些，各有何优劣
1.?朴素贝叶斯(Naive Bayes, NB) 超级简单，就像做一些数数的工作。如果条件独立假设成立的话，NB将比鉴别模型（如Logistic回归）收敛的更快，所以你只需要少量的训练数据。即使条件独立假设不成立，NB在实际中仍然表现出惊人的好。如果你想做类似半监督学习，或者是既要模型简单又要性能好，NB值得尝试。
2.?Logistic回归(Logistic Regression, LR) LR有很多方法来对模型正则化。比起NB的条件独立性假设，LR不需要考虑样本是否是相关的。与决策树与支持向量机（SVM）不同，NB有很好的概率解释，且很容易利用新的训练数据来更新模型（使用在线梯度下降法）。如果你想要一些概率信息（如，为了更容易的调整分类阈值，得到分类的不确定性，得到置信区间），或者希望将来有更多数据时能方便的更新改进模型，LR是值得使用的。
3.决策树（Decision Tree, DT） DT容易理解与解释。DT是非参数的，所以你不需要担心野点（或离群点）和数据是否线性可分的问题（例如，DT可以轻松的处理这种情况：属于A类的样本的特征x取值往往非常小或者非常大，而属于B类的样本的特征x取值在中间范围）。DT的主要缺点是容易过拟合，这也正是随机森林（Random Forest, RF）（或者Boosted树）等集成学习算法被提出来的原因。此外，RF在很多分类问题中经常表现得最好（我个人相信一般比SVM稍好），且速度快可扩展，也不像SVM那样需要调整大量的参数，所以最近RF是一个非常流行的算法。
4.支持向量机（Support Vector Machine, SVM） 很高的分类正确率，对过拟合有很好的理论保证，选取合适的核函数，面对特征线性不可分的问题也可以表现得很好。SVM在维数通常很高的文本分类中非常的流行。由于较大的内存需求和繁琐的调参，我认为RF已经开始威胁其地位了。
数据挖掘有哪些技术
? 相关分析 ? 回归分析 ? 因子分析 ? 聚类分析 ? 对应分析 ? 联合分析 神经网络 ? 决策树
传统数据挖掘有哪些方法
ETL把，抽取->清洗->转化->分析->报表实现。 方法？理论概念？？？ 理论不太懂。。。 用的工具有IBM的DataStage或者SAP公司的BO都可以实现。大大的有前途。
P.S 数学一定要好
常用的数据挖掘算法有哪几类？
算法有很多阿，比如神经网络，遗传算法，回归算法，聚类分析算法，贝耶斯算法
