数据挖掘英文论文data mining essay

传统贝叶斯

在传统贝叶斯算法快速生成挖掘，可用于分类和预测的模型。它计算的每个输入属性的国家给予每个可预测属性，它可以用来预测以后的预测属性上已知的结果输入属性状态，概率。用于生成该模型的概率计算，并在立方体的处理中。该算法只支持离散或离散化的属性，它认为所有输入属性是独立的。在传统贝叶斯算法产生一个简单的挖掘模型可以被认为是在数据挖掘过程的起点。由于在建立模型中使用的计算大多是在加工过程中产生的立方体，迅速返回结果。这使得该模型的一个探索发现的数据和如何在不同的输入属性的预测属性的不同分布状态不错的选择。

时间系

Microsoft时序算法创建，可用于预测了来自OLAP和关系数据源的时间连续变量模型。例如，您可以使用Microsoft时序算法来预测销售和在一个立方体的历史数据为基础的利润。

利用该算法，你可以选择一个或多个变量进行预测，但必须是连续的。您只能有一个为每个模型病例。此案系列标识系列中的位置，如超过之日起在几个月或几年的长度寻找销售。

一个案件可能含有一组变量（例如，在不同的商店销售）。 Microsoft时序算法   可以用其预测交叉变量的相关性。例如，在一家商店前的销售可能会在其他商店的预测目前的销售非常有用。

神经网络

在Microsoft SQL Server 2005分析服务，Microsoft神经网络算法创建通过构