数据挖掘是从大量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程。
1. 数据挖掘能做什么？
1)数据挖掘能做以下六种来自不同事情（分析方法）：
· 分类 （Classification）
· 估值（Estimation）
· 预言（Prediction）
· 相关性分组或关联规则（Affinity grouping or association rules）
· 聚集（Clustering）
· 描述和可视化（Des cription and Visualization）
2)数据挖掘分类
以上六种数据挖掘的分利析方法可以分为两类：直接数据挖掘；间接数据挖掘
· 直接数据挖掘
目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个来自特定的变量（可以
理解成数据库中表的属性，即列）进行描述。
· 间接数据挖掘
目标中没有选出某一具体的变量，用模型进行描述；而是在所有的买威止变量中建立起来自某种关系
。
· 分类、来自估值、预言属于直接数据挖掘；后三种属于间接数据挖掘
3)各消什种分析方法的简介
· 分类 （Classification）
首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的来自技术，建立分
类模型，对于没有分类的数据进来自行分类。
例子：
a哥施但杂. 信用卡申请者，分类为低、中、高风险
b. 分配客户到预先定义的客户分片
注意： 类的个数是确定的，预先定呀排系景块检英义好的
· 估值（Estim物措肉希度色早团ation）
估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的
输来自出；分类的类别是确定数目的，估值的量是不确定的唱菜批。
例子：
a. 根据购买模式，估计一个家庭的孩子个数
b. 根据来自购买模式，估计一个家庭的收入
c. 估计real e品容垂入谈料均state的价值
一来自般来说，估值可以作为分类的前一步工作。给定一些输入数据，通过估值，得到未知的
连续变量的值，然后，根据预先设定的阈值，进行分类。例如：银行对家庭贷款业务，运
用估值，针也皮给各个客户记分（Score 0~1）。然后，根据阈值，将贷款级别分类。
· 预言（Prediction）
通常，预言是通过分来自类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用
于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。
预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时
间后，才知道预言准确性是多少。
· 相关性分组或关联规则翻目你肥整（Affinity grouping o来自r association rules）
决定哪些事情将一起发生。
例子：
a. 超来自市中客户在购买A的同时，经常会购买B，即A => B(关联规则)
b. 客户在购买A后，隔一段时间，会购买所九沿B （序列分析）
· 聚集假协（Clustering）
聚集是对记录分组，把相似的记录在一个聚集里。聚集和分类的区别是聚集不依赖于预先
定义好来自的类，不需名关斯干笑笑村要训练集。
例子：
a. 一些须需爱兴岁岩练特定症状的聚集可能预示了一个特定的疾病
b. 租来自VCD类型不相似的客户聚集，可能暗示成员气审脸地宜故属于不同的亚文化群
聚集通常作厚为数据挖掘的第一步。例如，三"哪一种类的促销对客户响应最好？"，对于这一
类问题，首先对整个客户做来自聚集，将客户掌再分组在各自的聚集里，然后对每个不同的聚集，
回来自答问题，可能效果更好。
· 描述和可视化（Des cription and Visualiz也ation）
是对数据挖掘结果的来自表示方式。
2.数据挖掘的商业背景
数据挖掘首先是需要商业环境中收集了大量的数据，然后要求来自挖掘的知识是有价值的。有
价值对商业而言，不外乎三种情况：降低开销；提高收来自入；增加股票价格。
1来自)数据挖掘作为研究工具 （Research）
2)数据挖掘提高过程控制（Process Im关雨七孔未prove住商底责太损万娘ment）
3)数据挖掘作为市场营销工具（Marketing）
4)数据挖掘作为客户关系管理CRM工具(Customer Rela来自tionship Management)
3.数据挖掘的技术背景
1)数据挖掘技术包括三个主要部分：算法和技术；数据；建模能力
2)来自数据挖掘和机器学习（Machine Learning）
· 机器学习朝握章占是计算机科学和人工智能AI发展的产物
· 机器学习分为两种学习方式：自组织学习（如神经网络）；从例子中归纳出规则（如决
策树）
· 数据挖掘由来
数据挖掘是八十年代，投资AI研究项目失败后，AI事志呢提误念通护转入实际应用时提出的。它是一个新兴
的，面向商业应用的AI研究。选择数据挖掘这一术语，表明了与统计、精算、长期从事良齐预
言模型的经济学家之间没有技术的重叠。
3)数据挖掘和统计
统计也开始支持数据挖掘。统计本的方间朝包括预言算法（回归）、抽样、基于经验的设计等
4)数据挖掘和决策支持系统
· 常色数据仓库
· OLAP（联机分析处理）、Data Mart（数据集市）、清修多维数据库
· 决策支持工具融合
将数据仓库、OLAP，数据挖掘融合在一起，构成企业决策分析环境。
4. 数据挖掘的社会背景
数据挖掘与个人预言：数据挖掘号称能通过历史数据的分析，预测客来自户的行为，而事实上
，客户自己可能都不明确自己下一步要作什么。所以，数据挖掘的结果围怕胶稳原空神绝，没有人们来自想象中
神秘，它不可能是完全正确的。
客户的行为是与社会环象迫毫轻十带善杆境相关连的，所以数据挖掘本身也受社会背景的影响。比如说，在
美国对银行信用卡客户信用评级的模型运行得非常成功，但是，它可能不适合中国
其他相关内容推荐1
数据挖掘非常类似于采矿者筛选泥土以寻找金块的方法，这是筛选大量数据以查找可用于特定用途的相关信息的过程。作为计算机科学的一个分支学科，数据挖掘在本质上完全与模式相关。
数据挖掘非常类似于采矿者筛选泥土以寻找金块的方法，这是筛选大量数据以查找可用于特定用途的相关信息的过程。作为计算机科学的一个分支学科，数据挖掘在本质上完全与模式相关。
一旦找到并存储了数据，下一步的重点就是理解数据 – 否则，这一切都毫无意义。
执行数据分析的方法有很多种，包括使用机器学习之类的概念，其中使用了复杂的自适应算法来人为分析数据。
更传统的方法需要数据科学家参与，他们是针对理解复杂信息经过专门训练的专家，可以生成报告以作为管理层采取行动的依据。
在确保安全、合法的前提下，数据挖掘在各个行业内得到了广泛的利用，包括从金融到零售行业。
浏览互联网时，将会根据访问的网站、执行的搜索、输入的个人详细信息以及了解的产品来记录用户数据。
随后，公司可以对数百万用户生成的此类数据进行精细检查，并据此制定明智的运营和营销决策。