数据挖掘具体步骤
1、理解业务与数据
2、准备数据
数据清洗:
缺失值处理:
异常值:
数据标准化:
特征选择:
数据采样处理:
3、数据建模
分类问题:
聚类问题:
回归问题
关联分析
集成学习
image Bagging(例如随机森林算法) Boosting Stacking
4、模型评估
淆矩阵与准确率指标
泛化能力评估
其他模型:
评估数据处理:
5、应用
模型保存: 模型优化:
参考阅读
评论可见,请评论后查看内容,谢谢!!!
数据挖掘具体步骤
1、理解业务与数据
2、准备数据
数据清洗:
缺失值处理:
异常值:
数据标准化:
特征选择:
数据采样处理:
3、数据建模
分类问题:
聚类问题:
回归问题
关联分析
集成学习
image Bagging(例如随机森林算法) Boosting Stacking
4、模型评估
淆矩阵与准确率指标
泛化能力评估
其他模型:
评估数据处理:
5、应用
模型保存: 模型优化:
参考阅读
本文由 用户 于 2024-04-13 发布在 金钥匙,如有疑问,请联系我们。
本文链接:https://www.51969.com/post/18753561.html
发表评论