#数据挖掘与数据化运营实战#2.3数据挖掘技术以及在数据化运营中的应用

编号	数据挖掘技术	应用	算法	优势	劣势
1	决策树（Decision Tree）	用户划分、行为预测、规则梳理	CHAID CART ID3、C4.5、C5.0	1、决策树的构造不需要任何领域的知识，很适合探索式的知识发掘，并且可以处理高维度的数据 2、决策树所产生的一系列从树根到树枝（或树叶）的规则，可以很容易地被分析师和业务人员理解，而且这些典型的规则甚至不用整理（或稍加整理），就是现成的可以应用的业务优化策略和业务优化路径 3、决策树技术对数据的分布甚至缺失非常宽容，不容易受到极值的影响
						2	神经网络	用户划分、行为预测、营销响应	反馈传播	1、自适应性、自组织性和高容错性，并且具有较强的学习、记忆和识别功能	1、知识和结果的不可预测性
						3	回归	预测、分类、"二选一"事件	逻辑回归	1、很好地回答预测、分类等数据化运营中常见的分析项目主题
4	关联规则	推荐	Apriori算法
5	聚类	用户划分；可以作为数据探索的工具，包括发现离群点、孤立点，数据降维的手段和方法，通过聚类发现数据间的深层次的关系等	划分的方法（K-Means）
			层次的方法
			基于密度的方法
			基于网格的方法
			基于模型的方法
6	贝叶斯分类方法	分类问题的归类等应用场景	朴素贝叶斯
7	支持向量机	预测、分类		1、对于复杂的非线性的决策边界的建模能力高度准确，并且也不太容易过拟合	1、训练数据较大
8	主成分分析	数据处理、降维、变量间关系探索
9	假设检验	运营效果评估