0 前言本人计算机研在读，专业带队数学建模，长期更新建模教学，有需要的同学欢迎讨论～ 本篇文章，本系列学长讲解一部分数学建模常用算法，会陆续更新每个算法的详细实现和使用教程1 算法介绍频繁子图挖掘是数据挖掘中一个非常广泛的应用。频繁子图挖掘是指从大量的图中挖掘出满足给定支持度的频繁子图，同时算法需要保证这些频繁图不能重复。频繁模式挖掘主要就是应用两种策略（这里不讨论基于垂直增长的方法）——Apri
转载
2024-01-11 21:13:51
104阅读
本文不对数据挖掘的具体数学知识做全面的总结，根据网路上前辈的理解，对其需要的数学方面的知识做一个一般性的总结。引言数据挖掘，是指从大量数据中获取隐含的、潜在的是有价值信息的过程，是近年来计算机领域火热的研究内容。数据挖掘方法在游戏工业领域最初的应用，常常是游戏中的人工智能的开发。例如游戏中的电脑对手，对战类游戏的天梯系统，游戏开发时的关卡自动生成器。这些功能对应着数据挖掘方法中的专家系
转载
2023-06-06 21:44:12
240阅读
什么是数据挖掘数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。听起来比较抽象，我们举个例子。傍晚小街路面上沁出微雨后的湿润，和煦的细风吹来，抬头看看天边的晚霞，嗯，明天又是一个好天气。走到水果摊旁，挑了个根蒂蜷缩、敲起来声音浊响的青绿西瓜，心里期待着享受这个好瓜。由路面微湿、微风、晚霞得出明天是个好天气。
文章目录数据预处理任务数据集成数据变换数据清洗数据规约主要处理函数 数据预处理任务数据清洗：去掉数据中的噪声，纠正不一致数据集成：将多个数据源合并成一致的数据存储，构成一个完整的数据集，如数据仓库数据规约（删减）：通过聚集、删除冗余属性或聚类等方法来压缩数据数据变换：数据集的规范化数据集成数据挖掘需要的数据往往分布在不同的数据源中，数据集成就是将多个数据源合并存放在一个一致的数据存储（如数据仓库
转载
2024-05-15 10:58:47
120阅读
在数据挖掘中，根据数据分析者的目标，可以将数据挖掘任务分为：模式挖掘频繁模式异常模式...模型挖掘预测建模描述建模...本文将介绍的分类即属于预测建模的过程。预测建模是指根据数据线建立一个模型，然后应用这个模型来对未来的数据进行预测。根据被预测的变量的不同，可以区分为分类和回归。分类构造、使用模型来对某个样本的类别进行判别主要用于对离散的数据进行预测典型应用：信誉评估、医学诊断回归（预测）构造、使
转载
2023-06-07 14:32:51
173阅读
挖掘建模根据挖掘目标和数据形式可建立：分类与预测、聚类分析、关联规则、时序模式、偏差检测等模型1.分类与预测分类与预测是预测问题的两种主要类型，分类主要是：预测分类标号（离散属性）；预测主要是：建立连续值函数模型，预测给定自变量对应的因变量的值。1.1 实现过程（1）分类 分类是构造一个分类模型，输入样本属性值，输出对应类别，将每个样本映射到预先定义好的类别。 分类模型，建立在已有类标记的数据
转载
2023-06-07 15:19:06
468阅读
一起聊有趣的数字~~ 数字好玩mp.weixin.qq.com 最近跟很多朋友在聊对专业术语和流行话题的认知。的确随着应用场景的变化很快，大数据处理环节的边界也在不断演变，不断在挑战认知的宽度。 本着不断学习，不断尝试的心态去探索新的好玩的方法，会其乐无穷~~· 正 · 文 · 来 · 啦 ·
数学建模：是数学的一个分支，理论上是根据实际问题来建立数学模型，对数学模型来进
很多人一听到数据建模，就觉得高不可攀，觉得是很高深难以理解的东西，其实简单来说，数据建模就是搞清楚每个表都有哪些字段、表之间有什么联系，然后根据需要添加字段或度量值、建立关系的过程。字段值、字段类型、表、表之间的关系，都是数据模型的一部分，在Smartbi中，建立的度量值同样是模型的一部分。数据建模不难理解，也并不代表数据建模就很简单，当表比较少并且结构简单的时候，数据建模确实不难，但当表的数据达
转载
2023-08-21 10:17:49
42阅读
什么是数据挖掘从数学建模比赛的角度来看，这里说的数据挖掘，基本上指的就是数据分析技术、机器学习那一块儿，针对的就是数模比赛里给了你一大堆数据表格（或者让你自己去找）然后让你分析的那种题目。数据导入数据预处理 如右图长方体，长度数值非常大，对整体的影响非常大，宽和高对整体的影响就小很多，变化基本上由长度主导，标准化之后使得它各个维度上差不多。数据预处理 例（2011年重金属污染问题）虽然方法很多，但
转载
2023-10-18 06:43:36
86阅读
# 数学建模大数据挖掘
在当今信息爆炸的时代，数据量呈指数级增长，如何从海量数据中提取出有用信息成为了一个重要的问题。数学建模和大数据挖掘便成为了解决这个问题的重要工具之一。数学建模是将现实世界的问题抽象成数学形式，通过建立数学模型找到解决问题的方法；而大数据挖掘则是利用大量数据进行模式识别，发现隐藏在数据背后的规律和信息。
## 数学建模
数学建模是一种研究方法，通过建立数学模型来解决现实
原创
2024-05-04 04:24:34
90阅读
面向产品设计的数据挖掘模型 随着企业信息化程度的不断提高，CAD/CAM/CAPP等先进设计、生产方法的运用，同时企业事务电子化的迅速普及，企业积累了大量的设计、生产数据资料；另一方面，企业需要在继承原有设计信息的基础上，设计出具有新功能、创新性的产品。因而如何更加充分利用己有设计数据信息成为企业设计人员关心的主要问题之一。毫无疑问，这些庞大的数据库及其中的海量资料是极其丰富的信息源，传统的信
转载
2024-03-04 17:30:08
63阅读
1. 数据分析数据分析是指采用适当的统计分析方法对收集到的数据进行分析、概括和总结，对数据进行恰当地描述，提取出有用的信息的过程。2. 数据挖掘数据挖掘(Data Mining，DM)是指从海量的数据中通过相关的算法来发现隐藏在数据中的规律和知识的过程。 数据的爆炸式增长: 从TB到PB – 丰富数据的主要来源 • 商业: Web, 电子商务, 交易, 股票, … • 科学: 遥感
转载
2023-09-13 20:41:22
14阅读
2.1 数据挖掘概念 数据挖掘（Data Mining）是知识发现（KDD）的核心部分，它指的是从数据集合众自动抽取隐藏在数据中的那些有用信息的非平凡过程，这些信息的表现形式为规则、概念、规律及模式等。总体来说，数据挖掘融合了数据库、人工智能、机器学习、统计学、高性能计算、模式识别、神经网络、数据可视化
转载
2023-08-31 18:53:07
669阅读
框架设定基本原则。构建框架也伴随着假设、方法以及选项--选择一些，舍弃另外一些，每一个问题都必须被架构，每一个模型都必须在一个框架内建立。有一些问题是在构建框架时需要单独考虑的，比如风险。评估并为风险建模是构成许多模型所必需的一部分。当构建框架时，问题提出者和问题相关者产生了一些关于特定风险的想法。任何模型都必须将这些纳入框架中--虽然之后模型可能会暴露另一些同样甚至更加重要的风险。为风险建模--
转载
2023-06-07 14:29:19
125阅读
之前介绍过两个帆软的数据挖掘案例：《一个案例告诉你，数据挖掘如何用于企业生产》《店铺如何选址？这套算法预算销售额，误差仅300元！》都是应用于实际业务场景的案例，并且带来了切切实实的收益！那这样的数据挖掘方案，到底是如何的呢？有哪些常用并成熟的挖掘应用，能解决什么问题？技术架构是怎样的，需要什么样的工具支撑？本文将细细讲述下。基本介绍帆软的数据挖掘方案，提供多种算法功能以及脚本支撑和技术解决方案，
论文一、首页1. 标题2. 摘要2.1 摘要的开头段2.2摘要的中间段2.3 摘要的结尾段2.4 摘要中常见的废话一、问题重述1.问题背景1.2 问题提出二、问题分析三、模型假设四、符号说明五、模型的建立与求解六、模型的分析与检验6.1 模型的分析6.1.1 灵敏度分析（常用）6.1.2 误差分析6.2 模型检验七、模型的评价与推广八、 参考文献九、附录 记录参数变化，使用过什么方法 一、首页
转载
2023-10-25 10:25:51
184阅读
数学建模简介 文章目录数学建模简介1. 数学建模比赛的理解2. 一般数据分析的流程3. 机器学习与统计数据分析4. 各种编程软件仅仅是工具，对问题的观察视角和解决问题的策略才是关键4.1 数学建模的特点4.2 以 python（jupyter notebook工作界面）为例的工具准备 1. 数学建模比赛的理解数学建模从字面意思上是指根据具体的任务需求和问题, 利用数学基础建立合适的数学模型, 以匹
转载
2023-06-07 11:31:50
200阅读
数据挖掘步骤如何有效建立数据挖掘基本步骤，数据挖掘过程定义问题、建立数据挖掘库、分析数据、准备数据、建立模型、评价模型和实施。挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，作出正确的决策，那么数据挖掘步骤如何有效建立?1、定义问题在开始知识发现之前最先的也是最重要的要求就是了解数据和业务问题。必须要对目标有一个清晰明确的定义，即决定到底想干什么。比如，想提高电子信箱的利用率时，想做的可能是“
转载
2023-09-04 22:03:50
22阅读
数据挖掘技术可以为决策、过程控制、信息管理和查询处理等任务提供服务。一般来说，数据挖掘的应用有，电信：流失；银行：聚类（细分）,交叉销售；百货公司/超市：购物篮分析（关联规则）；保险：细分，交叉销售，流失（原因分析）；信用卡：欺诈探测，细分；电子商务：网站日志分析；税务部门：偷漏税行为探测；警察机关：犯罪行为分析；医学：医疗保健。具体如下：电子政务的数据挖掘：建立电子化政府，推动电子政务的发展，是
转载
2023-06-07 11:20:58
77阅读
1 建模与数据挖掘工具算法和建模作为数据挖掘工具的核心技术，从它诞生之日起就在得到不断完善。对各种算法的支持程度是衡量数据挖掘工具的一大标准。目前的算法技术已经相当成熟，而主流数据挖掘工具也基本.上都提供了对主流算法的支持。从算法上看，业界公认的主要有回归分析、聚类分析、神经网络、遗传算法、支持向量机等几大主流算法。数据挖掘中的建模主要采用数据建模和算法建模，其中更侧重于算法建模。只要是建模，最终
转载
2023-08-06 18:35:20
101阅读
