数据分析——可视化的数据挖掘建模

Smartbi大数据分析平台

功能覆盖数据分析全流程,一站式平台,产品功能可组合!

立即体验

Smartbi大数据分析平台

功能覆盖数据分析全流程,一站式平台,产品功能可组合! 立即体验

数据分析——可视化的数据挖掘建模


为什么需要数据挖掘建模

数据挖掘,就是从大量数据(包括文本)中挖掘出隐含的、未知的、对决策有潜在价值的关系、模式和趋势,并用这些知识和规则建立用于决策支持的模型,提供预测性决策支持的方法、工具和过程;是利用各种分析工具在海量数据中发现模型和数据之间关系的过程。这些模型和关系可以被企业用来分析风险、预测未来。

数据挖掘的目的就是从数据中“淘金”,是从数据中获取价值的过程。数据挖掘是提供了从数据到价值的解决方案,而“建模”是数据挖掘过程中最关键的一个环节。

 

1.gif


 

可视化的数据挖掘建模

Smartbi Mining以互联网式用户体验为目标的全新产品设计,极简风格的流式建模,快速实现各种类型的数据挖掘应用,为个人、团队和企业所做的决策提供预测性智能。

平台具备流程化、可视化的建模界面,内置实用的、经典的统计挖掘算法和深度学习算法,业务人员可通过轻松拖拉拽组件的操作,进行可视化建模,完成模型流程的搭建,并能将模型发布管理。


2.png

图:托拉拽建模示例


3.png

图:评估示例


4.png

图:模型部署示例


Smartbi Mining汇集50+种数据挖掘算法组件,灵活建立业务模型流程,主要包含基本的数据特征处理、分类、聚类、关联、回归、深度学习算法,以及支持Java和Python算法扩展。

l  特征工程

平台支持连续型数据离散以及字符型数据转换成为离散型数据、主成分特征提取等操作,轻松帮助用户利用有效数据以及从众多数据找出有价值的数据。它支持的操作为:特征转换、特征离散、特征选择、卡方特征选择、PCA特征提取。

l  机器学习分类算法

分类问题指的是根据指定的模式或者类别对为标识的对象进行区分,平台可支持的分类预测算法:逻辑回归、朴素贝叶斯、支持向量机、决策树、随机森林。

l  机器学习回归算法

回归问题指的是判断一个因素与另外因素之间的关系,并根据该关系式对某一过程进行预测或控制,例如预测二手房的售价。平台支持的回归算法:线性回归。

l  机器学习聚类算法

聚类问题指的是将类似的对象或者相同类别的东西聚在一起,划分成为一个类别。平台支持的聚类算法:K均值、DBSCAN、混合高斯模型。

l  机器学习的训练和聚类训练

机器学习训练是针对分类算法和回归算法,而聚类训练是针对聚类算法。它们都是对接收到的数据和选择算法进行模型训练,这个训练过程可以重复进行,不断地切换算法,调整算法参数。

l  机器学习的预测和评估

机器学习的预测是针对分类和回归问题,根据训练的模型,对测试集数据进行预测。对于得到的预测结果,对于不同类型的问题,使用不同的评估方法进行评估,以此评估模型的性能及有效性。

 

应用案例


weijianwei.jpg京东方.jpg

 

马上体验

如果你想从大量数据中进一步挖掘价值,从而为决策提供更好的支持。那么,这款可视化的数据挖掘建模工具就非常适合你了。你可以通过官网进入”体验中心”在线体验,也可以下载产品试用。


体验中心注册账号

Smartbi丰富的数据连接能力


© 2017-2020 smartbi.com.cn 版权所有  粤ICP备11104361号

咨询

支持

技术支持服务二维码

邮箱

您好,商务咨询请联系邮箱

邮箱地址:sales@smartbi.com.cn