一、数据挖掘的核心任务类型
分类和回归是预测建模的两大基础任务。聚类分析在无标签数据中发现自然分组。关联规则挖掘在购物篮分析中发现了啤酒与尿布的经典案例。
一）特征工程的决定性作用
数据和特征决定了模型性能的上限，算法只是逼近这个上限。特征交叉和分箱处理可以将非线性关系线性化。
二）数据挖掘的行业落地
金融风控中的评分卡模型是数据挖掘最成熟的应用之一。零售业的用户分群和个性化推荐直接驱动了营收增长。
三）深度学习在数据挖掘中的应用
图神经网络在社交网络分析和推荐系统中展现了传统方法无法比拟的关系建模能力。自编码器在异常检测和高维数据降维中超越了PCA等传统方法的性能上限。AutoML工具降低了特征工程和模型选择的门槛。