Data mining for dummies Cheat Sheet - dummies

Ved Meta S. Brown

Data mining er måten alminnelige forretningsmenn bruker en rekke dataanalyse teknikker for å avdekke nyttig informasjon fra data og sette denne informasjonen i praktisk bruk. Data minearrangører ikke oppstyr over teori og antagelser. De bekrefter deres funn ved testing. Og de forstår at ting forandres, så da funnene som fungerte som en sjarm i går, ikke holder seg i dag, tilpasser de seg.

De 9 lovene om data mining: En referansehåndbok

Pioneer data minearbejder Thomas Khabaza utviklet sin "Ni Data Data Mining" for å veilede nye data miners som de kommer ned til jobb. Denne referanseguideen viser deg hva hver av disse lovene betyr for ditt daglige arbeid.

• Første lov om data mining, eller "Business Laws": Forretningsmål er opprinnelsen til hver data mining løsning.

  En datagruper er noen som oppdager nyttig informasjon fra data for å støtte bestemte forretningsmål. Data mining er ikke definert av verktøyet du bruker.

• 2. Lov om datavinning, eller "Business Knowledge Law": Forretningskunnskap er sentral for hvert trinn i data mining prosessen .

  Du trenger ikke å være en fin statistiker for å gjøre datautvinning, men du må vite noe om hva dataene betyr og hvordan virksomheten fungerer.

• tredje lov om data mining eller "data forberedelse lov": Data forberedelse er mer enn halvparten av hver data mining prosess .

  Ganske mye vil alle datamengder bruke mer tid på dataforberedelse enn på analyse.

• Fjerde lov om data mining, eller "Ingen gratis lunsj for datamaskinen": Den riktige modellen for en gitt applikasjon kan bare oppdages ved eksperiment .

  I data mining blir modeller valgt gjennom prøve og feil.

• 5. Lov om data mining: Det er alltid mønstre i dataene .

  Som datamengder undersøker du data på jakt etter nyttige mønstre. Forståelse av mønstre i dataene gjør at du kan påvirke hva som skjer i fremtiden.

• 6. Lov om data mining, eller "Insight Law": Data mining forsterker oppfatningen i bedriftsdomenet .

  Data mining metoder gjør at du kan forstå din bedrift bedre enn du kunne ha gjort uten dem.

• 7: e Data Mining eller "Prediction Law": Prediksjon øker informasjon lokalt ved generalisering.

  Data mining hjelper oss å bruke det vi vet for å gjøre bedre spådommer (eller estimater) av ting vi ikke vet.

• 8. Lov om datavinnning, eller "Verdilov": Verdien av datautvinningsresultater er ikke bestemt av nøyaktigheten eller stabiliteten til prediktive modeller .

  Modellen din må produsere gode spådommer, konsekvent. Det er det.

• 9. lov om data mining, eller "lov om endring": Alle mønstre kan endres.

  Enhver modell som gir deg gode spådommer i dag, kan være ubrukelig i morgen.

Datainnsamlingsfasens faser

Standardprosessen for Datavinnning ( CRISP-DM ) er den dominerende data-miningprosessrammen. Det er en åpen standard; alle kan bruke den. Følgende liste beskriver de forskjellige fasene i prosessen.

• Bedriftsforståelse: Få en klar forståelse av problemet du er ute etter å løse, hvordan det påvirker organisasjonen din, og målene dine for å takle det. Oppgaver i denne fasen inkluderer:

  • Identifisere dine forretningsmål

  • Vurdere situasjonen din

  • Definere data mining målene

  • Produsere prosjektplanen din

• Dataforståelse: Gjennomgå dataene du har, dokumentere det, identifisere datahåndtering og datakvalitetsproblemer. Oppgaver for denne fasen inkluderer:

  • Samle data

  • Beskriv

  • Utforsking

  • Verifiserer kvalitet

• Data forberedelse: Få dataene dine klare til bruk for modellering. Oppgaver for denne fasen inkluderer:

  • Valg av data

  • Rengjør data

  • Konstruksjon

  • Integrasjon

  • Formatering

• Modeling: Bruk matematiske teknikker til å identifisere mønstre i dataene dine. Oppgaver for denne fasen inkluderer:

  • Valg av teknikker

  • Utforming av tester

  • Byggemodeller

  • Vurdering av modeller

• Evaluering: Gjennomgå mønstrene du har oppdaget og vurder deres potensial for forretningsbruk. Oppgaver for denne fasen inkluderer:

  • Evaluering av resultatene

  • Gjennomgang av prosessen

  • Bestemme de neste trinnene

• Distribusjon: Sett funnene dine til jobb i hverdagsbransjen. Oppgaver for denne fasen inkluderer:

  • Planlegging distribusjon (dine metoder for å integrere data mining funn i bruk)

  • Rapportere endelige resultater

  • Gjennomgang av endelige resultater