我曾经谈论数据挖掘，我们谈到了大型数据挖掘。那么大数据挖掘在哪里“大”？ 本文总结了这一点，我希望提供一些思考问题的方法。

　　请在缺点中留言。

　　第一的， 数据量的数量

　　什么是数据量？ 这是许多人应该在制作大数据挖掘时问的问题。

　　从一些实际应用，一般来说， 每日处理的数据量达到T， P级，您可以考虑部署大数据处理平台，如Hadoop， 火花。可以突出显示一定量的数据处理[B2B网站建设]平台的优越性。

　　更少的数据，数据被读取， 在搬迁中所花费的时间太多了，反而， 不可能反映大数据处理平台的优点。哪里有网页制作许多应用程序只是大数据的大数据。几百米也得到了Hadoop。所以，现在谈论大数据被认为是Hadoop， 火花和其他平台非常有限。

　　当然，在决定是否使用大数据平台时，可能需要考虑更多因素。例如， 整合许多低性能机器， 异构硬件平台之间的可移植性， 大量非结构化数据处理， 就像。

　　第二， 数据类型的多样性

　　在数据挖掘时代，我们的Minat数据主要基于关系数据。大数据时代，各种应用程序产生了各种数据。多种数据类型通常涉及大型数据挖掘。这里提到的数据类型不是程序设计中的正常数据类型。它更接近应模板网价格用程序的数据表示，通常有一个时间序列数据， 轨迹数据， 图表数据， 文本数据， 等等。

　　每日销售记录， 价格是正常数据类型，但从时间尺寸， 它们按顺序连接。组成的时间序列数据可以反映价格的变化。当然， 它有更丰富的意思。

　　每个人[公司的网站在哪里？位置只是一个（x，y）普通数据类型，然而， 根据运动顺序连接位置，它构成了某人的活动轨迹。反映他的生活， 习惯，这些隐藏信息应该关注大数据。

　　微博或论坛的每个人都是独立的。也是正常数据，但如果每个人都根据粉丝连接， 担心， 等等。你可以做一个大图片，那是， 数字数据。人口， 簇，在增加人口偏好等属性之后，更高的图形数据， 小组运动，这是大数据挖掘的重点。

　　第三， 数据处理噪声

　　在数据挖掘时代，来自关系数据库的数据，它是与业务有关的一些数据， 质量相对较高。一般来说， 你可以直接挖掘。大数据挖掘绝对不是这种情况，大数据思维决定了我们要考虑的数据的质量， 并且数据结构混合。增强数据处理的稳健性。例如，进行企业级客户分析，不同的分支机构可以使用不同的客户管理系统，一些系统使用微信小程序直播怎么开通本科/硕士/博士来区分客户的学历。有些本科/研究生是区别的。这需要考虑数据一致性。还，数据格式， 数据的完整性， 等等。 都需要考虑大数据挖掘。

　　第四， 数据挖掘多样化

　　在数据挖掘时代，通常专注于单项数据分析，大数据挖掘可能更专注于多个数据挖掘任务，如果您需要对， 预测， 相关， 聚类， 等等。尽管有更多的业务需求，然而， 这些分类， 预测， 相关性， 并且集群可能在底层上处于同一模型中。所以，当大数据挖掘非常重要时考虑模型时，考虑该模型， 分离算法非常重要。所谓的大数据处理层次结构。