數據挖掘的表現形式？數據挖掘技術數據挖掘(英文:Data mining)也譯為數據挖掘和數據挖掘。它是一種通過數學模型分析存儲在企業(yè)中的大量數據，找出不同的客戶或細分市場，分析消費者 偏好和行為。數據

數據挖掘的表現形式？

數據挖掘技術

數據挖掘(英文:Data mining)也譯為數據挖掘和數據挖掘。它是一種通過數學模型分析存儲在企業(yè)中的大量數據，找出不同的客戶或細分市場，分析消費者 偏好和行為。

數據挖掘是什么意思？

數據挖掘的名詞解釋？

數據挖掘通常與計算機科學有關，通過統(tǒng)計學、聯機分析處理、信息檢索、機器學習、專家系統(tǒng)(依靠過去的經驗規(guī)則)、模式識別等多種方法來實現上述目標。

數據挖掘對象

1.數據類型可以是結構化的、半結構化的，甚至是異構的。發(fā)現知識的方法可以是數學的、非數學的、歸納的。最終發(fā)現的知識可用于信息管理、查詢優(yōu)化、決策支持和數據維護。

2.數據挖掘的對象可以是任何類型的數據源。可以是關系數據庫，是包含結構化數據的數據源；也可以是數據倉庫、文本、多媒體數據、空間數據、時間序列數據、Web數據，包含半結構化數據甚至異構數據。

3.發(fā)現知識的方法可以是數字的、非數字的或歸納的。最終發(fā)現的知識可用于信息管理、查詢優(yōu)化、決策支持和數據維護。

數據挖掘步驟

在實施數據挖掘之前，要想好要走什么步驟，每一步要做什么，要達到什么樣的目標。有了好的計劃，數據挖掘才能有條不紊的實施，才能取得成功。許多軟件供應商和數據挖掘顧問提供了一些數據挖掘過程模型來指導他們的用戶一步一步地進行數據挖掘。比如SPSS的5A，SAS的SEMMA。

數據挖掘過程模型的步驟主要包括定義問題、建立數據挖掘數據庫、分析數據、準備數據、建立模型、評估模型和實現模型。讓 讓我們具體看看每一步的具體內容:

(1)定義問題。知識發(fā)現之前的第一個也是最重要的要求是理解數據和業(yè)務問題。目標一定要有明確的定義，就是決定自己要做什么。例如，當你想提高電子郵件的利用率時，你想做的可能是 "提高用戶利用率；"or "提高用戶一次性使用的價值。為解決這兩個問題而建立的模型幾乎完全不同，你必須做出決定。

(2)建立數據挖掘數據庫。建立數據挖掘數據庫包括以下步驟:數據收集、數據描述、數據選擇、數據質量評估和數據清洗、合并和整合、元數據構建、數據挖掘數據庫加載和數據挖掘數據庫維護。

(3)分析數據。分析的目的是找到對預測輸出影響最大的數據字段，并決定是否有必要定義導出字段。如果數據集包含數百個字段，瀏覽和分析這些數據將是一件非常耗時和累人的事情。這時候你就需要選擇一個界面好，功能強大的工具軟件來幫你完成這些事情。

(4)準備資料。這是建立模型前數據準備的最后一步。這一步可以分為四個部分:選擇變量、選擇記錄、創(chuàng)建新變量和轉換變量。

(5)建立模型。建模是一個迭代的過程。需要仔細檢查不同的模型，以確定哪種模型對所面臨的業(yè)務問題最有用。先用一部分數據建立模型，再用剩下的數據對得到的模型進行檢驗和驗證。有時會有第三個數據集，稱為驗證集，因為測試集可能會受到模型特性的影響，需要一個獨立的數據集來驗證模型的準確性。訓練和測試數據挖掘模型需要將數據至少分成兩部分，一部分用于模型訓練，另一部分用于模型測試。

(6)評價模型。模型建立后，我們必須對結果進行評估，并解釋模型的價值。從測試集中獲得的準確性僅對用于構建模型的數據有意義。在實際應用中，有必要進一步了解錯誤的類型以及相關的開銷。經驗證明，有效的模式不一定是正確的模式。造成這種情況的直接原因是模型建立中隱含的各種假設，所以直接在現實世界中對模型進行檢驗是非常重要的。先小范圍應用，拿到測試數據，感覺滿意后再大面積推廣。

(7)實施。模型建立并驗證后，主要有兩種使用方法。首先是給分析師提供參考；二是將該模型應用于不同的數據集。