高维度数据 挖掘是一种基于高维度的数据 挖掘与传统的数据不同。目前，高维数据 挖掘已经成为数据 挖掘的重点和难点。随着技术的发展，收集数据变得越来越容易，导致数据库的规模越来越大，越来越复杂。如各类贸易交易数据、WEB文档、基因表达数据、文档词频数据、用户评分数据、Web使用数据、多媒体。
但由于“维度灾难”的影响，高维度数据 挖掘变得异常困难，必须采取一些特殊的措施来应对。随着数据 dimension的增加，高维索引结构的性能迅速下降。在低维空间中，我们经常使用欧氏距离作为数据之间的相似性度量，但是在高维空间中，这种相似性的概念已经不存在了，这就给出了高维数据。一方面，基于索引结构的数据挖掘算法的性能会下降，另一方面，许多基于全空间距离函数的挖掘方法也会失效。
5、 数据 挖掘十大经典 算法之朴素贝叶斯Naive Bayes，这是一个简单但极其强大的预测建模算法。它被称为朴素贝叶斯，因为它假设每个输入变量都是独立的。* *这个假设很硬，在现实生活中根本不满足，但是这个技术对于大多数复杂问题还是很有效的。贝叶斯原理、贝叶斯分类和朴素贝叶斯是有区别的。贝叶斯原理是最大的概念，解决了概率论中的“逆概率”问题。在这个理论的基础上，人们设计了贝叶斯分类器。朴素贝叶斯分类器是贝叶斯分类器的一种，也是最简单、最常用的分类器。
* *好在大多数情况下，朴素贝叶斯的分类效果还是不错的。朴素贝叶斯分类器依赖于精确的自然概率模型，在监督学习样本集中可以达到非常好的分类效果。在许多实际应用中，朴素贝叶斯模型的参数估计采用最大似然估计方法，换句话说，朴素贝叶斯模型可以在没有贝叶斯概率或任何贝叶斯模型的情况下工作。朴素贝叶斯分类常用于文本分类，特别是对于英语等语言，分类效果非常好。
6、 数据 挖掘中的经典 算法众所周知，有很多数据 挖掘，不同的算法各有各的优势。他们在数据。那么有哪些经典算法in数据挖掘？在本文中，我们将向您介绍三个经典数据 挖掘。希望这篇文章能更好的帮助你。1.kmeans算法kmeansalgorithm算法是一个集群算法，n个对象按照属性被划分成k个分区，其中k大于n。
它假设对象属性来自空间向量，目标是最小化每个组内的均方误差之和。这个算法在-3挖掘算法中很常见。2.支持向量机(Supportvectormachines)和支持向量机(support vector machines)都是支持向量机，简称SV机(本文统称为SVM)。它是一种监督学习方法，广泛应用于统计分类和回归分析。支持向量机将向量映射到一个更高维的空间，在这个空间中建立一个具有最大区间的超平面。
之前7、什么叫 增量 数据 挖掘
、数据增长缓慢，所以一旦数据 挖掘，其模式可以长期使用；现在数据的增长速度太快了。once 数据 挖掘后，其模式往往不能代表已有状态，于是提出了增量的模式，它是在原有模式的基础上结合新的。
8、 数据 挖掘 算法
