1樓：匿名使用者
叫做置信度，而非可信度。confidence。
對於一條（條件-->結論）的規則，置信度的分母是其條件出現的樣本數；分子是條件和結論同時出現的樣本數。
2樓：劉鵬
可信度？應該是置信度吧？
如果你問的是資料探勘，我想應該是關聯規則中的置信度（confidence）
關聯規則舉例，如果我們關心居民購買的關聯規則，想知道：買麵包的人是否一定會買牛奶，那麼我們的問題就是麵包是否能夠推出牛奶，在這裡，置信度就是以麵包為前提的情況下，牛奶發生的概率
如果x=麵包，y=牛奶，那麼confidence=p（x∩y）/p（x）
3樓：匿名使用者
資料探勘中興趣度量的兩個很重要的概念就是支援度和置信度，所謂置信度，實質上是一個條件概率，confidence(a-->b)=p(b|a)=p（a∩b）/p（a）。表示當a發生的時候b發生的概率有多大。比如卓越上推薦感興趣的書籍或購買了這本書的人還購買了哪些書或組合，都屬於關聯規則挖掘，都是在一個發生的情況下，其他感興趣的情況發生的概率。
大資料開發和資料分析有什麼區別？
4樓：南瓜蘋果
1、技術區別
大資料開發類的崗位對於code能力、工程能力有一定要求，這意味著需要有一定的程式設計能力，有一定的語言能力，然後就是解決問題的能力。
因為大資料開發會涉及到大量的開源的東西，而開源的東西坑比較多，所以需要能夠快速的定位問題解決問題，如果是零基礎，適合有一定的開發基礎，然後對於新東西能夠快速掌握。
如果是大資料分析類的職位，在業務上，需要你對業務能夠快速的瞭解、理解、掌握，通過資料感知業務的變化，通過對資料的分析來做業務的決策。
在技術上需要有一定的資料處理能力，比如一些指令碼的使用、sql資料庫的查詢，execl、sas、r等工具的使用等等。在工具層面上，變動的範圍比較少，主要還是業務的理解能力。
2、薪資區別
作為it類職業中的「大熊貓」，大資料工程師的收入待遇可以說達到了同類的頂級。國內it、通訊、行業招聘中，有10%都是和大資料相關的，且比例還在上升。
在美國，大資料工程師平均每年薪酬高達17.5萬美元。大資料開發工程師在一線城市和大資料發展城市的薪資是比較高的。
大資料分析：大資料分析同樣作為高收入技術崗位，薪資也不遑多讓，並且，我們可以看到，擁有3-5年技術經驗的人才薪資可達到30k以上。
3、資料儲存不同
傳統的資料分析資料量較小，相對更加容易處理。不需要過多考慮資料的儲存問題。而大資料所涉及到的資料具有海量、多樣性、高速性以及易變性等特點。因此需要專門的儲存工具。
4、資料探勘的方式不同
傳統的資料分析資料一般採用人工挖掘或者收集。而面對大資料人工已經無法實現最終的目標，因此需要跟多的大資料技術實現最終的資料探勘，例如爬蟲。
5樓：海牛大資料
大資料分析是指對規模巨大的資料進行分析。大資料可以概括為4個v， 資料量大(volume)、速度快(velocity)、型別多(variety)、價值（value）。
大資料開發其實分兩種，第一類是編寫一些hadoop、spark的應用程式，第二類是對大資料處理系統本身進行開發。第一類工作感覺更適用於data analyst這種職位吧，而且現在hive spark-sql這種系統也提供sql的介面。第二類工作的話通常才大公司裡才有，一般他們都會搞自己的系統或者再對開源的做些二次開發。
這種工作的話對理論和實踐要求的都更深一些，也更有技術含量。
大資料作為時下最火熱的it行業的詞彙，隨之而來的資料倉儲、資料安全、資料分析、資料探勘等等圍繞大資料的商業價值的利用逐漸成為行業人士爭相追捧的利潤焦點。隨著大資料時代的來臨，大資料分析也應運而生。
應用案例，與往屆世界盃不同的是，資料分析成為巴西世界盃賽事外的精彩看點。伴隨賽場上球員的奮力角逐，大資料也在全力演繹世界盃背後的分析故事。一向以嚴謹著稱的德國隊引入專門處理大資料的足球解決方案，進行比賽資料分析，優化球隊配置，並通過分析對手資料找到比賽的「制敵」方式；谷歌、微軟、opta等通過大資料分析**賽果......
大資料，不僅成為賽場上的「第12人」，也在某種程度上充當了世界盃的"預言帝"。
分析開始的時候，資料首先從資料倉儲中會被抽出來，被放進rdbms裡以產生需要的報告或者支撐相應的商業智慧應用。在大資料分析的環節中，裸資料以及經轉換了的資料大都會被儲存下來，因為可能在後面還需要再次轉換。
6樓：加米穀大資料科技
大資料平臺應用開發是目前一個就業的熱門方向，一方面是大資料開發的場景眾多，另一方面是難度並不高，能夠接納的從業人數也非常多。大資料開發是在大資料平臺基礎之上的開發，充分利用大資料平臺提供的功能來滿足企業的實際需求。
大資料分析是大資料應用的一個重點。大資料分析是基於大資料平臺提供的功能進行具體的資料分析，資料分析與場景有密切的關係，比如出行大資料分析、營銷大資料分析、金融大資料分析等等。
大資料開發工程師：
開發，建設，測試和維護架構，負責公司大資料平臺的開發和維護，負責大資料平臺持續整合相關工具平臺的架構設計與產品開發等；
資料分析師：
收集，處理和執行統計資料分析；運用工具，提取、分析、呈現資料，實現資料的商業意義，需要業務理解和工具應用能力；
7樓：千鋒知道小助手
首先需要定義什麼叫大資料，大資料顧名思義資料量要大，至於多大才算大資料我也不清楚，還有一個是特徵維度多才能稱得上大資料。
處理大量特徵維度的大資料，通過人自己去發現規律是很難的一件事情，所以大資料分析更多需要的是程式設計能力和數學能力等，比如說機器學習，深度學習等演算法的應用。
當然在資料分析也可以利用機器學習去進行分析，不過在資料分析方面更多是通過統計學去發現解釋問題。當然有一些分析思路是想通的。
8樓：匿名使用者
簡單點來說，大資料開發就是做大量資料的分散式計算的。
資料分析主要是做資料的收集、挖掘、清洗、分析，最後形成分析報告
想學的話可以參考下科多大。
9樓：河北中公優就業
大資料工程師會的東西很多，首先是懂業務，脫離行業認知和公司業務背景，分析的結果就沒有太大的使用價值。所以說一名出色的大資料工程師，對於本行業本領域一定是很熟悉，最好是有自己獨到的見解。
其次是要懂管理，這個一方面是搭建資料分析框架的要求，比如確定分析思路就需要用到營銷、管理等理論知識來指導;另一方面是針對資料分析結論提出有指導意義的分析建議。然後懂分析師最最基本的，能夠掌握資料分析基本原理與一些有效的資料分析方法，並能靈活運用到實踐工作中，對於開展資料分析起著至關重要的作用。接著，對於工具的掌握，也是很基本的，畢竟人腦對於資料的容量都是有限的。
最後，大資料工程師可能還要懂點設計，能夠運用圖表有效表達資料分析師的分析觀點，使分析結果一目瞭然。圖表的設計是門大學問，如圖形的選擇、版式的設計、顏色的搭配等等，都需要掌握一定的設計原則。
以上，作為一名大資料工程師，需要掌握的基礎技能大概就這些，以上這些技能的養成不是一朝一夕，所以說被取代也是極其不易的，本身大資料分析並不是一蹴而就的事情，而是需要你日積月累的資料處理經驗。什麼樣的人會被輕易替代呢?不求甚解，似懂非懂，幹了多少年還看不透本質，遇到問題仍然懵懂不解茫然無措，整日坐著重複性工作的人，才有可能被替代，也激素是所謂的青春飯，反觀大資料，掌握的技能越多。
資料分析行業絕對是一個朝陽行業，特別是網際網路的不斷髮展，一個不談資料的公司根本不叫網際網路公司，大資料工程師已經成為一個網際網路公司必備的職位了。有興趣的小夥伴可以瞭解一下優就業的大資料課程，零基礎適學，緊扣市場熱門技術和熱門崗位，結合專案實戰培養多方位大資料人才，畢業以後可以從事大資料運維、大資料開發、大資料分析等工作崗位。希望各位小夥伴能找準自己的方向，入行大資料要趁早啊。
大資料、資料分析和資料探勘的區別是什麼？
10樓：時時時擦
區別：大資料
是網際網路的海量資料探勘，而資料探勘更多是針對內部企業行業小眾化的資料探勘，資料分析就是進行做出針對性的分析和診斷，大資料需要分析的是趨勢和發展，資料探勘主要發現的是問題和診斷。
釋義：大資料：指無法在可承受的時間範圍內用常規軟體工具進行捕捉、管理和處理的資料集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的資訊資產；在維克托·邁爾-舍恩伯格及肯尼斯·庫克耶編寫的《大資料時代》 中大資料指不用隨機分析法（抽樣調查）這樣的捷徑，而採用所有資料進行分析處理。
大資料的5v特點（ibm提出）：volume（大量）、velocity（高速）、variety（多樣）、value（價值）veracity（真實性） 。
資料分析：是指用適當的統計分析方法對收集來的大量資料進行分析，提取有用資訊和形成結論而對資料加以詳細研究和概括總結的過程。這一過程也是質量管理體系的支援過程。
在實用中，資料分析可幫助人們作出判斷，以便採取適當行動。
資料分析的數學基礎在20世紀早期就已確立，但直到計算機的出現才使得實際操作成為可能，並使得資料分析得以推廣。資料分析是數學與電腦科學相結合的產物。
11樓：cda資料分析師
1、大資料：指無法在可承受的時間範圍內用常規軟體工具進行捕捉、管理和處理的資料集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的資訊資產。
大資料的5v特點（ibm提出）：volume（大量）、velocity（高速）、variety（多樣）、value（價值）veracity（真實性）
2、資料分析：是指用適當的統計分析方法對收集來的大量資料進行分析，提取有用資訊和形成結論而對資料加以詳細研究和概括總結的過程。這一過程也是質量管理體系的支援過程。
在實用中，資料分析可幫助人們作出判斷，以便採取適當行動。
3、資料探勘：涉及到很多的演算法，源於機器學習的神經網路，決策樹，也有基於統計學習理論的支援向量機，分類迴歸樹，和關聯分析的諸多演算法。資料探勘的定義是從海量資料中找到有意義的模式或知識。
海闊憑魚躍，天高任鳥飛。對於進入這個行業的同學而言，你可以選擇讀研後再進入這個行業，也可以先就業，用你的工作經驗彌補你的學歷不足。大資料、資料分析或資料探勘是實踐性很強的學科，從實際工作中獲取的知識和能力是你在學校裡面無法學習到的，企業最終也是看重你的實際工作能力。
什麼是資料探勘？資料探勘怎麼做啊
海同職座標 資料探勘是從大量的 不完全的 有噪聲的 模糊的 隨機的資料中提取隱含在其中的 人們事先不知道的 但又是潛在有用的資訊和知識的過程。資料探勘流程 定義問題 清晰地定義出業務問題，確定資料探勘的目的。資料準備 資料準備包括 選擇資料 在大型資料庫和資料倉儲目標中 提取資料探勘的目標資料集 資...
資料探勘對聚類的資料要求是什麼，資料探勘中 聚類演算法 資料集在什麼地方獲取的
1.可擴充套件性 scalability 大多數來自於機器學習和統計學領域的聚類演算法在處理數百條資料時能表現出高效率 2.處理不同資料型別的能力 數字型 二元型別，分型別 標稱型，序數型,比例標度型等等3.發現任意形狀的能力 基於距離的聚類演算法往往發現的是球形的聚類，其實現實的聚類是任意形狀的4...
資料探勘中apriori演算法劃分技術為什麼只要兩次實在沒看出有什麼改進啊
我想weka應該很適合你吧 用來跑一跑自己的演算法或者直接用它的api做二次開發都是很方便的，比如你提到的 只是原始演算法和自己演算法的對比一下是不難實現的，在自己的 裡分別初始化兩個演算法物件模型，一起training一起testing，最後把得出的結果放一起就行了。至於圖形介面怎麼組織就按自己的...