- 问答
-
问 数据挖掘结合的多学科技术
-
问 什么是空间数据挖掘
旭日 空间数据挖掘(Spatial Data Mining)是数据挖掘的一个分支，是在空间数据库的基础上，综合利用各种技术方法，从大量的空间数据中自动挖掘事先未知的且潜在有用的知识，提取非显式存在的空间关系或其它有意义的模式等，揭示出蕴含在数据背后的客观世界的本质规律、内在联系和发展趋势，实现知识的自动获取，从而提供技术决策与经营决策的依据。它可以用来理解或重组空间数据、发现空间和非空间数据间的关系、构建空间知识库、优化查询等。在已建立的GIS空间数据库中，隐藏着大量的可供分析、分类用的知识，如空间位置分布规律、空间关联规则、形态特征区分规则等，它们并没有直接存储于空间数据库中，必须通过挖掘技术才能挖掘出来。因此，空间数据挖掘技术就显得尤为重要。
-
问 数据挖掘技术在电信行业的应用
匿名 随着电信体制改革的深化，我国电信运营业的竞争日趋激烈。2006年12月，中国加入WTO的5年过渡期的即将结束，这意味着还有3个月中国电信行业即将全面开放，国内电信运营商将直接面对国外电信运营商在中国的竞合；同时，3G的脚步越来越近，国内各大电信运营商在加紧筹备3G网络的同时，对用户的争夺也更加白热化。 作为中国最大的固网电信运营商，在3G牌照迟迟不下发的情况下，小灵通(PHS)在夹缝中生存和发展起来，在拉动电信收入增长的同时，也为真正的移动语音业务的经营积累了一定的用户基础和运营经验。电信运营企业拥有丰富的用户数据。谁能正确地挖掘与分析隐含在这些数据中的知识，谁就能更好地向用户提供产品与服务，能够发现更多的商机，从而在竞争中获胜。 本文重点研究了我国的移动通信运营企业如何开展及运用数据挖掘技术来提高其竞争力。本文将重点放在数据挖掘模型的选择与设计上，在国外的已有研究的基础上，结合国内实际，提出了我国电信业的客户价值、客户保持、客户细分这三个数据挖掘模型；并且结合上海电信小灵通的运营数据，在ODS的基础上，探索并建设了客户细分以及离网预警模型，在SAS Enterprise Miner中对模型进行了验证与评价。在客户细分的模型研究中，本文还侧重的在宽表设计、数据预处理等方面，结合电信数据的特点指出操作过程中需要注意和留心的环节，例如对缺失值、异常客户的处理等，以确保模型的质量。在离网预警模型的应用过程中，本文描述了如何根据实际的业务经验对模型进行优化，以提高预测准确率，节省营销成本；并且通过组织两千多个电话调查来收集研究数据，结合客户价值和离网预警，为小灵通的客户关怀计划提供了决策支持；最后，结合企业实际，探索出数据挖掘技术在电信运营实践中的工作流程。 数据挖掘技术在我国电信运营业中的应用起步不久，可以借鉴的经验不多，本文结合上海电信的实践做了一些探索，尚有不足之处，将不断探索和改进。
-
问 商务智能与数据挖掘 的关系是什么
-
问 数据挖掘技术涉及哪些技术领域
-
问 数据挖掘的发展趋势如何
遥望幸福 数据仓库日益普及。尽管数据挖掘并不一定要有数据仓库的支持，但它仍然经常被看成数据仓库的后期产品，因为那些努力建立数据仓库的人有最丰富的数据资源可供挖掘。 Internet数据挖掘。许多供应商将数据挖掘技术用于电子商务，以提高Internet战点和客户的关联行。如IBM公司发布Web为中心的数据挖掘解决方案SurAid。 EIS工具供应商也在集成数据挖掘功能。将数据挖掘工具和查询及EIS工具集成起来将导致一个基于发现的过程，由此发现过程最终用户能获得最有用的东西，进而根据这些新的信息对有关问题进行更明确的阐述。 数据挖掘供应商更注重纵向市场。数据挖掘涉及到对数据内在本质的理解，因此供应商们更注重纵向市场。比如DataMind公司的重点是电信业的跳槽。电信业竞争的不规范和白害敞愤缎莅等缝劝俯滑热化已使保持客户成为一个备受关注的热点问题。
-
问 有哪些常用的数据挖掘技术？
-
问 到底是什么数据挖掘呢，需要什么技术呢
南柯一梦。 数据挖掘是近年来数据库应用技术中相当热门的议题，看似神奇、听来时髦，实际上却也不是什么新东西，因其所用之诸如预测模型、数据分割，连结分析（Link Analysis）、偏差侦测（Deviation Detection）等，美国早在二次世界大战前就已应用运用在人口普查及军事等方面。随着信息科技超乎想象的进展，许多新的计算机分析工具问世，例如关系型数据库、模糊计算理论、基因算法则以及类神经网络等，使得从数据中发掘宝藏成为一种系统性且可实行的程序。R一般而言，数据挖掘的理论技术可分为传统技术与改良技术两支。传统技术以统计分析为代表，统计学内所含序列统计、概率论、回归分析、类别数据分析等都属于传统数据挖掘技术，尤其 数据挖掘 对象多为变量繁多且样本数庞大的数据，是以高等统计学里所含括之多变量分析中用来精简变量的因素分析（Factor Analysis）、用来分类的判别分析（DiscriminantAnalysis），以及用来区隔群体的分群分析（Cluster Analysis）等，在数据挖掘过程中特别常用。在改良技术方面，应用较普遍的有决策树理论（Decision Trees）、类神经网络（Neural Network）以及规则归纳法（Rules Induction）等。决策树是一种用树枝状展现数据受各变量的影响情形之预测模型，根据对目标变量产生之效应的不同而建构分类的规则，一般多运用在对客户数据的分析上，例如针对有回函与未回含的邮寄对象找出影响其分类结果的变量组合，常用分类方法为CART（Classification and Regression Trees）及CHAID（Chi-Square Automatic InteractionDetector）两种。R类神经网络是一种仿真人脑思考结构的数据分析模式，由输入之变量与数值中自我学习并根据学习经验所得之知识不断调整参数以期建构数据的型样 (patterns)。类神经网络为非线性的设计，与传统回归分析相比，好处是在进行分析时无须限定模式，特别当数据变量间存有交互效应时可自动侦测出；缺点则在于其分析过程为一黑盒子，故常无法以可读之模型格式展现，每阶段的加权与转换亦不明确，是故类神经网络多利用于数据属于高度非线性且带有相当程度的变量交感效应时。规则归纳法是知识发掘的领域中最常用的格式，这是一种由一连串的「如果…/则…（If / Then）」之逻辑规则对数据进行细分的技术，在实际运用时如何界定规则为有效是最大的问题，通常需先将数据中发生数太少的项目先剔除，以避免产生无意义的逻辑规则。
-
问 数据挖掘中关键技术是什么？
-
问 数据挖掘，分析技术 怎么写专利
1条回答
漂亮男孩不说谎 
奋斗丶 
匿名用户 
热心问友 
