二、数据挖掘的工具

数据挖掘的工具介绍

1.工具的分类

一般来说，数据挖掘工具根据其适用的范围分为以下两类。

1.1 通用数据挖掘工具

通用数据挖掘工具不区分具体数据的含义，采用通用的挖掘算法，处理常见的数据类型。

1.2 专用数据挖掘工具

针对某个特定领域的问题提供解决方案，在设计算法的时候充分考虑了数据、需求的特性。

2 数据挖掘工具选择

2.1 数据挖掘工具选择参考指标

• 功能性：一个好的数据挖掘工具应该能够为每个步骤体哦那个相应的功能集；
• 可伸缩性：指的是解决负责问题的能力；
• 操作的简易性：提供友好的用户界面；
• 可视化程度：数据源的可视化、模型的可视化、结果的可视化；
• 开放性：数据挖掘工具与数据库(其它数据资源)的结合能力。

2.2 企业如何选择数据挖掘工具

• 企业的数据挖掘需求；
• 企业的数据挖掘经验和水平；
• 企业的数据状态
• 企业的预算和工具的性能
  

3 商用的工具

3.1 SAS Enterprise Miner

• SAS Enterprise Miner是一种通用的数据挖掘工具，按照“抽样-探索-转换-建模-评估”的方法进行数据挖掘。可以与SAS数据仓库和OLAP集成，实现从提出数据、抓住数据到得到解答的“端到端”的知识发现.
  

3.2 DBMiner

• DBminer是一个多任务数据挖掘系统，目的是把关系数据库和数据挖掘集成在一起；
• 能完成多种知识发现：泛化、特性、关联、分类等规则；
• 多种数据挖掘技术：面向属性的归纳、统计分析、机器学习等；
• 提供交互式的类SQL语言——数据挖掘查询语言DMQL；
• 能与关系数据库平滑集成。
• https://www2.cs.sfu.ca/CourseCentral/459/han/tutorial/tutorial.html

4 数据挖掘开源工具

4.1 Weka

Weka是一款可视化的机器学习和数据挖掘软件，高级用户可以通过Java编程和命令行来调用其分析组件。同时，Weka也为普通用户提供了图形化界面。

1. 优点：丰富的机器学习和数据挖掘算法库；
2. 缺点：在统计分析方面较弱
   

4.2 KNIME

KNIME提供了友好的开源数据集成、数据处理、数据分析和数据勘探平台。KNIME基于Eclipse并通过插件的方式来提供多种功能，并可以集成到各种各样的开源项目中。

4.3 Orange

Orange提供了友好的界面，Orange的强项在于提供了大量的可视化方法，可以对数据和模型进行多种图像化展示，而且支持智能 搜索合适的可视化形式，支持对数据的交互式探索。

1. 优点：Orange的底层核心采用C++编写，提供了Python脚本语言进行扩展开发；
2. 缺点：在统计分析分析能力不强，不支持统计检验
   

5 总结

• 数据挖掘工具分类

1. 专用和通用数据挖掘工具

• 数据挖掘工具选择

1. 功能性：一个好的数据挖掘工具应该能够为每个步骤体哦那个相应的功能集；
2. 可伸缩性：指的是解决负责问题的能力；
3. 操作的简易性：提供友好的用户界面；
4. 可视化程度：数据源的可视化、模型的可视化、结果的可视化；
5. 开放性：数据挖掘工具与数据库(其它数据资源)的结合能力。

• 数据挖掘商用工具

1. SAS、SPSS、DBminer

• 数据挖掘开源工具

1. Weka、KNIME、Orange

挖掘商用工具

1. SAS、SPSS、DBminer

• 数据挖掘开源工具

1. Weka、KNIME、Orange