資料處理方法

資料處理方法：

1、分類

分類是一種基本的資料分析方式，資料根據其特點，可將資料物件劃分為不同的部分和型別，再進一步分析，能夠進一步挖掘事物的本質。

2、迴歸

迴歸是一種運用廣泛的統計分析方法，可以通過規定因變數和自變數來確定變數之間的因果關係，建立迴歸模型，並根據實測資料來求解模型的各引數，然後評價迴歸模型是否能夠很好的擬合實測資料，如果能夠很好的擬合，則可以根據自變數作進一步預測。

3、聚類

聚類是根據資料的內在性質將資料分成一些聚合類，每一聚合類中的元素儘可能具有相同的特性，不同聚合類之間的特性差別儘可能大的一種分類方式，其與分類分析不同，所劃分的類是未知的，因此，聚類分析也稱為無指導或無監督的學習。

資料聚類是對於靜態資料分析的一門技術，在許多領域受到廣泛應用，包括機器學習，資料探勘，模式識別，影象分析以及生物資訊。

4、相似匹配

相似匹配是通過一定的方法，來計算兩個資料的相似程度，相似程度通常會用一個是百分比來衡量。相似匹配演算法被用在很多不同的計算場景，如資料清洗、使用者輸入糾錯、推薦統計、剽竊檢測系統、自動評分系統、網頁搜尋和DNA序列匹配等領域。

5、頻繁項集

頻繁項集是指事例中頻繁出現的項的集合，如啤酒和尿不溼，Apriori演算法是一種挖掘關聯規則的頻繁項集演算法，其核心思想是通過候選集生成和情節的向下封閉檢測兩個階段來挖掘頻繁項集，目前已被廣泛的應用在商業、網路安全等領域。

6、統計描述

統計描述是根據資料的特點，用一定的統計指標和指標體系，表明資料所反饋的資訊，是對資料分析的基礎處理工作，主要方法包括：平均指標和變異指標的計算、資料分佈形態的圖形表現等。

7、連結預測

連結預測是一種預測資料之間本應存有的關係的一種方法，連結預測可分為基於節點屬性的預測和基於網路結構的預測，基於節點之間屬性的連結預測包括分析節點資審的屬性和節點之間屬性的關係等資訊，利用節點資訊知識集和節點相似度等方法得到節點之間隱藏的關係。與基於節點屬性的連結預測相比，網路結構資料更容易獲得。複雜網路領域一個主要的觀點表明，網路中的個體的特質沒有個體間的關係重要。因此基於網路結構的連結預測受到越來越多的關注。

8、資料壓縮

資料壓縮是指在不丟失有用資訊的前提下，縮減資料量以減少儲存空間，提高其傳輸、儲存和處理效率，或按照一定的演算法對資料進行重新組織，減少資料的冗餘和儲存的空間的一種技術方法。資料壓縮分為有失真壓縮和無失真壓縮。

9、因果分析

因果分析法是利用事物發展變化的因果關係來進行預測的方法，運用因果分析法進行市場預測，主要是採用迴歸分析方法，除此之外，計算經濟模型和投人產出分析等方法也較為常用。