Data Mining For Dummies Cheat Sheet - dummies

Genom Meta S. Brown

Data mining är den sätt som vanliga affärsmän använder en rad dataanalysstekniker för att upptäcka användbarhet information från data och sätta den informationen i praktisk användning. Datavinnare bryr inte sig över teorier och antaganden. De validerar sina upptäckter genom att testa. Och de förstår att saker förändras, så när upptäckten som fungerade som en charm igår håller inte upp idag anpassar de sig.

De 9 lagen om datavinnor: En referenshandbok

Banbrytande dataväxlare Thomas Khabaza utvecklade sin "Nio lagar för datavinnor" för att styra nya datavinnare när 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 data mining eller "Data Preparation Law": Datapreparation är mer än hälften av varje data minningsprocess .

  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.

Datainsamlingsprocessens faser

Standardprocessen för dataöverföring ( CRISP-DM ) är den dominerande databasprocessen. Det är en öppen standard; vem som helst kan använda den. Följande lista beskriver de olika faserna i processen. Affärsförståelse:

• Få en klar förståelse av problemet du löser, hur det påverkar din organisation och dina mål för att ta itu med det. Uppgifter i den här fasen inkluderar: Identifiera dina affärsmål

  • Bedömning av din situation

  • Definiera dina data mining mål

  • Producera din projektplan

  • Data förståelse:

• Granska data som du har, dokumentera det, identifiera datahantering och datakvalitetsfrågor. Uppgifter för denna fas inkluderar: Samla data

  • Beskriv

  • Exploring

  • Verifieringskvalitet

  • Databehandling:

• Få dina data redo att användas för modellering. Uppgifter för denna fas inkluderar: Val av data

  • Rengöringsdata

  • Konstruera

  • Integration

  • Formatering

  • Modeling:

• Använd matematiska tekniker för att identifiera mönster inom dina data. Uppgifter för denna fas inkluderar: Val av tekniker

  • Utformning av test

  • Byggnadsmodeller

  • Bedömning av modeller

  • Utvärdering:

• Granska de mönster du har upptäckt och bedöma deras potential för företagsanvändning. Uppgifter för denna fas inkluderar: Utvärdering av resultat

  • Granskning av processen

  • Bestämning av nästa steg

  • Distribution:

• Sätt dina upptäckter till vardag. Uppgifter för den här fasen är: Planeringsutbyggnad (dina metoder för att integrera data mining upptäckter används)

  • Rapportera slutresultat

  • Granska slutliga resultat