In this article, I will take you th

In this article, I will take you through two additional data mining methods that are slightly more complex than a regression model, but more powerful in their respective goals. Where a regression model could only give you a numerical output with specific inputs, these additional models allow you to interpret your data differently. As I said in Part 1, data mining is about applying the right model to your data. You could have the best data about your customers (whatever that even means), but if you don't apply the right models to it, it will just be garbage. Think of this another way: If you only used regression models, which produce a numerical output, how would Amazon be able to tell you "Other Customers Who Bought X Also Bought Y?" There's no numerical function that could give you this type of information. So let's delve into the two additional models you can use with your data.

ผลลัพธ์ (ไทย) 1:

ในบทความนี้ ฉันจะนำคุณผ่านวิธีการทำเหมืองข้อมูลเพิ่มเติมสองที่ซับซ้อนเล็กน้อยกว่าแบบจำลองถดถอย แต่มีประสิทธิภาพมากขึ้นในแต่ละเป้าหมาย ซึ่งแบบจำลองถดถอยสามารถเท่านั้นให้ผลลัพธ์เป็นตัวเลข มีเฉพาะอินพุต โมเดลเพิ่มเติมเหล่านี้อนุญาตให้คุณตีความข้อมูลแตกต่างกัน อย่างที่บอกว่า ในส่วนหนึ่ง 1 การทำเหมืองข้อมูลกำลังใช้รุ่นเหมาะสมกับข้อมูลของคุณ คุณอาจมีข้อมูลดีที่สุดเกี่ยวกับลูกค้าของคุณ (อะไรก็ตามแม้ว่าความ), แต่ถ้าคุณไม่ต้องใช้รูปแบบขวาไป มันจะเป็นเพียงขยะ คิดว่าวิธีนี้อีก: ถ้าคุณใช้แบบจำลองถดถอย ซึ่งผลิตผลเลข ว่าอเมซอนจะสามารถบอกคุณ "ลูกค้าอื่น ๆ ที่ยังซื้อ Bought X Y"มีฟังก์ชันไม่เป็นตัวเลขที่สามารถให้ข้อมูลชนิดนี้ เราลองคุ้ยแบบจำลองเพิ่มเติมสองที่คุณสามารถใช้กับข้อมูลของคุณ

ผลลัพธ์ (ไทย) 2:

ในบทความนี้ผมจะนำคุณผ่านทั้งสองวิธีการทำเหมืองข้อมูลเพิ่มเติมที่มีเพียงเล็กน้อยที่ซับซ้อนมากขึ้นกว่ารุ่นถดถอย แต่มีประสิทธิภาพมากขึ้นในเป้าหมายของตน ที่รูปแบบการถดถอยเพียง แต่สามารถให้ผลลัพธ์ที่เป็นตัวเลขกับปัจจัยการผลิตที่เฉพาะเจาะจงรูปแบบเพิ่มเติมเหล่านี้ช่วยให้คุณสามารถแปลความหมายข้อมูลของคุณที่แตกต่างกัน ที่ผมกล่าวว่าในส่วนที่ 1 การทำเหมืองข้อมูลเป็นเรื่องเกี่ยวกับการใช้รูปแบบที่เหมาะสมกับข้อมูลของคุณ คุณอาจมีข้อมูลที่ดีที่สุดเกี่ยวกับลูกค้าของคุณ (สิ่งที่ว่าแม้หมายความว่า) แต่ถ้าคุณไม่สามารถใช้รูปแบบที่เหมาะสมเพื่อให้มันจะเป็นเพียงขยะ คิดนี้วิธีอื่น: ถ้าคุณใช้แบบจำลองการถดถอยที่ผลิตส่งออกที่เป็นตัวเลขเพียงวิธีการที่จะอเมซอนจะสามารถที่จะบอกคุณ "ลูกค้าอื่น ๆ ที่เคยซื้อของเราก็ซื้อ X Y?" ไม่มีฟังก์ชั่นการคำนวณที่สามารถให้ข้อมูลประเภทนี้เป็น จึงขอเจาะลึกทั้งสองรุ่นเพิ่มเติมที่คุณสามารถใช้กับข้อมูลของคุณ

ผลลัพธ์ (ไทย) 3:

ในบทความนี้ ผมจะพาคุณผ่านการทำเหมืองข้อมูลอีกสองวิธีที่ซับซ้อนมากขึ้นเล็กน้อยกว่าแบบจำลองการถดถอย แต่ประสิทธิภาพมากขึ้นในเป้าหมายของตน ซึ่งเป็นแบบจำลองการถดถอยสามารถให้ผลเชิงตัวเลขกับปัจจัยเฉพาะรุ่นเพิ่มเติมเหล่านี้ช่วยให้คุณสามารถแปลข้อมูลที่แตกต่างกัน ที่ผมกล่าวว่าในส่วนที่ 1การทำเหมืองข้อมูลคือเกี่ยวกับการใช้รูปแบบเหมาะสมกับข้อมูลของคุณ คุณสามารถมีข้อมูลที่ดีที่สุดเกี่ยวกับลูกค้าของคุณ ( สิ่งที่หมายถึง ) , แต่ถ้าคุณไม่ใช้นางแบบที่เหมาะสมกับมัน มันก็จะเป็นแค่ขยะ คิดว่านี่คือวิธีอื่น : ถ้าคุณใช้แบบถดถอย ซึ่งผลิตออกมาเป็นตัวเลขว่า Amazon สามารถที่จะบอกคุณ " อื่น ๆ ลูกค้าที่ซื้อ X ยังซื้อ Y ?" ไม่มีเชิงตัวเลขฟังก์ชันที่สามารถให้คุณชนิดของข้อมูลนี้ ดังนั้น เรามาเจาะลึกเพิ่มเติมอีก 2 รุ่นที่คุณสามารถใช้กับข้อมูลของคุณ