数据挖掘引论

数据挖掘就是从海量的数据中挖掘出知识的过程。数据挖掘的重要性在当今这个数据爆炸增长的时代，就不需要多说了。下面总结一下数据挖掘的过程。

数据挖掘步骤：

1.  数据清理。消除噪声和删除不一致的数据
2. 数据集成。多种数据源可以组合在一起
3. 数据选择。从数据库中提取与分析任务相关的数据
4. 数据变换。通过汇总或聚集操作，把数据变换和统一成适合挖掘的形式。
5. 数据挖掘。基本步骤，使用只能方法提取知识模式
6. 模式评估。根据某种兴趣度度量，识别代表知识的真正有趣的模式
7. 知识表示。使用可视化和知识表示数据，向用户提供挖掘的知识

数据挖掘可以挖掘的模式：

• 数据特征化与区分

            1     特征化： 是目标类数据的一般特性，或特性的汇总（如，汇总一年内花费5000元以上的顾客）

            2     数据区分：数据区分。经理相比较两组顾客，定期购买和不经常购买的顾客

•    挖掘频繁模式 ，关联和相关性   
  1.  频繁模式：是在数据中频繁出现的模式，包括频繁项集，频繁子序列和频繁子结构（如顾客经常一起购买牛奶和面包）
  2. 挖掘频繁模式导致发现数据中有趣的关联和相关性
       
•   分类与回归
  1.  分类。顾名思义，就是分类
  2. 回归。 回归建立连续值函数模型

•    聚类分析
• 离群点分析
  1.  例子： 通过检测一个给定找好与正常的付费数额特别大，离群点分析可以发现信用卡欺骗性使用。离群点还可以通过购物地点和类型或购物来检测

   总结： 数据挖掘可以挖掘的模式可以分为两大类，描述性的和预测性的。描述性挖掘任务刻画目标数据中数据的一般性质，预测性挖掘任务在当前数据上进行归纳，以便做出预测。