Video: Lagen om rörelsemängdens bevarande 2024
Del av Data Mining for Dummies Cheat Sheet
Banbrytande datavinnare Thomas Khabaza utvecklade sin " Nio lagar av data mining "för att vägleda nya data minare som de kommer ner till jobbet. Den här referensguiden visar vad varje lag innebär för ditt dagliga arbete.
-
1: a lagen om datavinnning, eller "affärsmål": Affärsmål är ursprunget till varje data mining lösning.
En dataväxlare är någon som upptäcker användbar information från data för att stödja specifika affärsmål. Data mining definieras inte av verktyget du använder.
-
2: a lagen om datavinnning, eller "företags kunskapsrätt": Företagskunskaper är centrala för varje steg i data miningprocessen .
Du behöver inte vara en fin statistiker för att göra datautvinning, men du måste veta något om vad uppgifterna betyder och hur verksamheten fungerar.
-
3: e lagen om datavinnning eller "Data Preparation Law": Datapreparation är mer än hälften av varje datautvinningsprocess .
Ganska mycket varje datavinnare kommer att spendera mer tid på databehandling än vid analys.
-
4th Data Mining Data, eller "No Free Lunch for Data Miner": Den rätta modellen för en given applikation kan bara upptäckas genom experiment .
I datautvinning väljes modeller genom försök och fel.
-
5: e datainsamling: Det finns alltid mönster i data .
Som databearbetare utforskar du data på jakt efter användbara mönster. Att förstå mönster i data gör att du kan påverka vad som händer i framtiden.
-
Sjätte lagen om datavinnning, eller "Insight Law": Data mining förstärker uppfattningen i företagsdomänen .
Data mining metoder gör att du kan förstå ditt företag bättre än du kunde ha gjort utan dem.
-
Sjätte lagen om datavinnning eller "Prediction Law": Prediction ökar information lokalt genom generalisering.
Data mining hjälper oss att använda det vi vet för att göra bättre förutsägelser (eller uppskattningar) av saker vi inte vet.
-
8: e lagen om datautvinning, eller "värderätt": Värdet av datautvinningsresultatet bestäms inte av precisionen eller stabiliteten hos prediktiva modeller .
Din modell måste producera bra förutsägelser, konsekvent. Det är allt.
-
9: e lagen om data mining, eller "lagen om förändring": Alla mönster kan komma att ändras.
Alla modeller som ger dig stora förutsägelser idag kan vara värdelösa i morgon.
