1. 數據挖掘與數據分析的區別是什麼
1、數據分析與數據挖掘的目的不一樣
數據分析是有明確的分析群體，就是對群體進行各個維度的拆、分、組合，來找到問題的所在，而數據發挖掘的目標群體是不確定的，需要我們更多是是從數據的內在聯繫上去分析，從而結合業務、用戶、數據進行更多的洞察解讀。
2、數據分析與數據挖掘的思考方式不同
一般來講，數據分析是根據客觀的數據進行不斷的驗證和假設，而數據挖掘是沒有假設的，但你也要根據模型的輸出給出你評判的標准。
3、數據分析更多依賴於業務知識，數據挖掘更多側重於技術的實現
對於業務的要求稍微有所降低，數據挖掘往往需要更大數據量，而數據量越大，對於技術的要求也就越高需要比較強的編程能力，數學能力和機器學習的能力。如果從結果上來看，數據分析更多側重的是結果的呈現，需要結合業務知識來進行解讀。而數據挖掘的結果是一個模型，通過這個模型來分析整個數據的規律，一次來實現對於未來的預測，比如判斷用戶的特點，用戶適合什麼樣的營銷活動。顯然，數據挖掘比數據分析要更深一個層次。數據分析是將數據轉化為信息的工具，而數據挖掘是將信息轉化為認知的工具。
2. 統計分析與數據挖掘有區別嗎
統計分析和數據挖掘還是有區別的
其實數據分析的范圍廣，包含了數據挖掘，在這里區別主要是指統計分析
數據量上：數據分析的數據量可能並不大，而數據挖掘的數據量極大。
約束上：數據分析是從一個假設出發，需要自行建立方程或模型來與假設吻合，而數據挖掘不需要假設，可以自動建立方程。
對象上：數據分析往往是針對數字化的數據，而數據挖掘能夠採用不同類型的數據，比如聲音，文本等。
結果上：數據分析對結果進行解釋，呈現出有效信息，數據挖掘的結果不容易解釋，對信息進行價值評估，著眼於預測未來，並提出決策性建議。
數據分析是把數據變成信息的工具，數據挖掘是把信息變成認知的工具，如果我們想要從數據中提取一定的規律（即認知）往往需要數據分析和數據挖掘結合使用。
關於統計分析與數據挖掘的相關學習，推薦CDA數據師的相關課程，課程內容兼顧培養解決數據挖掘流程問題的橫向能力以及解決數據挖掘演算法問題的縱向能力。要求學生具備從數據治理根源出發的思維，通過數字化工作方法來探查業務問題，通過近因分析、宏觀根因分析等手段，再選擇業務流程優化工具還是演算法工具，而非「遇到問題調演算法包」點擊預約免費試聽課。
3. 大數據挖掘主要涉及哪些技術
大數據挖掘主要涉及以下四種：
1. 關聯規則
關聯規則使兩個或多個項之間的關聯以確定它們之間的模式。例如，超市可以確定顧客在買草莓時也常買鮮奶油，反之亦然。關聯通常用於銷售點系統，以確定產品之間的共同趨勢。
2. 分類
我們可以使用多個屬性來標記特定類別的項。分類將項目分配到目標類別或類中，以便准確地預測該類內部會發生什麼。某些行業會將客戶進行分類。
3. 聚類
「聚類是將數據記錄組合在一起的方法」查看對象分組情況可以幫助市場細分領域的企業。在這個例子中可以使用聚類將市場細分為客戶子集。然後，每個子集可以根據簇的屬性來制定特定的營銷策略。
4. 決策樹
決策樹用於分類或預測數據。決策樹從一個簡單的問題開始，它有兩個或多個的答案。每個答案將會引出進一步的問題，該問題又可被用於分類或識別可被進一步分類的數據，或者可以基於每個答案進行預測。
5. 序列模式
序列模式識別相似事件的趨勢或通常情況發生的可能。這種數據挖掘技術經常被用來助於理解用戶購買行為。許多零售商通過數據和序列模式來決定他們用於展示的產品。
想要了解更多有關數據挖掘的信息，可以了解一下CDA數據分析師的課程。課程內容兼顧培養解決數據挖掘流程問題的橫向能力以及解決數據挖掘演算法問題的縱向能力。要求學生具備從數據治理根源出發的思維，通過數字化工作方法來探查業務問題，通過近因分析、宏觀根因分析等手段，再選擇業務流程優化工具還是演算法工具，而非「遇到問題調演算法包」。點擊預約免費試聽課
4. 一篇文章讓你知道什麼是大數據挖掘技術
一篇文章讓你知道什麼是大數據挖掘技術
大數據如果想要產生價值，對它的處理過程無疑是非常重要的，其中大數據分析和大數據挖掘就是最重要的兩部分。在前幾期的科普中，小編已經為大家介紹了大數據分析的相關情況，本期小編就為大家講解大數據挖掘技術，讓大家輕輕鬆鬆弄懂什麼是大數據挖掘技術。
什麼是大數據挖掘?
數據挖掘(Data Mining)是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。
數據挖掘對象
根據信息存儲格式，用於挖掘的對象有關系資料庫、面向對象資料庫、數據倉庫、文本數據源、多媒體資料庫、空間資料庫、時態資料庫、異質資料庫以及Internet等。
數據挖掘流程
定義問題：清晰地定義出業務問題，確定數據挖掘的目的。
數據准備：數據准備包括：選擇數據–在大型資料庫和數據倉庫目標中 提取數據挖掘的目標數據集;數據預處理–進行數據再加工，包括檢查數據的完整性及數據的一致性、去雜訊，填補丟失的域，刪除無效數據等。
數據挖掘：根據數據功能的類型和和數據的特點選擇相應的演算法，在凈化和轉換過的數據集上進行數據挖掘。
結果分析：對數據挖掘的結果進行解釋和評價，轉換成為能夠最終被用戶理解的知識。
數據挖掘分類
直接數據挖掘：目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變數(可以理解成資料庫中表的屬性，即列)進行描述。
間接數據挖掘：目標中沒有選出某一具體的變數，用模型進行描述;而是在所有的變數中建立起某種關系。
數據挖掘的方法
神經網路方法
神經網路由於本身良好的魯棒性、自組織自適應性、並行處理、分布存儲和高度容錯等特性非常適合解決數據挖掘的問題，因此近年來越來越受到人們的關注。
遺傳演算法
遺傳演算法是一種基於生物自然選擇與遺傳機理的隨機搜索演算法，是一種仿生全局優化方法。遺傳演算法具有的隱含並行性、易於和其它模型結合等性質使得它在數據挖掘中被加以應用。
決策樹方法
決策樹是一種常用於預測模型的演算法，它通過將大量數據有目的分類，從中找到一些有價值的，潛在的信息。它的主要優點是描述簡單，分類速度快，特別適合大規模的數據處理。
粗集方法
粗集理論是一種研究不精確、不確定知識的數學工具。粗集方法有幾個優點：不需要給出額外信息;簡化輸入信息的表達空間;演算法簡單，易於操作。粗集處理的對象是類似二維關系表的信息表。
覆蓋正例排斥反例方法
它是利用覆蓋所有正例、排斥所有反例的思想來尋找規則。首先在正例集合中任選一個種子，到反例集合中逐個比較。與欄位取值構成的選擇子相容則捨去，相反則保留。按此思想循環所有正例種子，將得到正例的規則(選擇子的合取式)。
統計分析方法
在資料庫欄位項之間存在兩種關系：函數關系和相關關系，對它們的分析可採用統計學方法，即利用統計學原理對資料庫中的信息進行分析。可進行常用統計、回歸分析、相關分析、差異分析等。
模糊集方法
即利用模糊集合理論對實際問題進行模糊評判、模糊決策、模糊模式識別和模糊聚類分析。系統的復雜性越高，模糊性越強，一般模糊集合理論是用隸屬度來刻畫模糊事物的亦此亦彼性的。
數據挖掘任務
關聯分析
兩個或兩個以上變數的取值之間存在某種規律性，就稱為關聯。數據關聯是資料庫中存在的一類重要的、可被發現的知識。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。一般用支持度和可信度兩個閥值來度量關聯規則的相關性，還不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合需求。
聚類分析
聚類是把數據按照相似性歸納成若干類別，同一類中的數據彼此相似，不同類中的數據相異。聚類分析可以建立宏觀的概念，發現數據的分布模式，以及可能的數據屬性之間的相互關系。
分類
分類就是找出一個類別的概念描述，它代表了這類數據的整體信息，即該類的內涵描述，並用這種描述來構造模型，一般用規則或決策樹模式表示。分類是利用訓練數據集通過一定的演算法而求得分類規則。分類可被用於規則描述和預測。
預測
預測是利用歷史數據找出變化規律，建立模型，並由此模型對未來數據的種類及特徵進行預測。預測關心的是精度和不確定性，通常用預測方差來度量。
時序模式
時序模式是指通過時間序列搜索出的重復發生概率較高的模式。與回歸一樣，它也是用己知的數據預測未來的值，但這些數據的區別是變數所處時間的不同。
偏差分析
在偏差中包括很多有用的知識，資料庫中的數據存在很多異常情況，發現資料庫中數據存在的異常情況是非常重要的。偏差檢驗的基本方法就是尋找觀察結果與參照之間的差別。
5. 數據挖掘的應用領域有哪些
數據挖掘的應用非常廣泛，只要該產業有分析價值與需求的資料庫，皆可利用數據挖掘工具進行有目的的發掘分析。常見的應用案例多發生在零售業、製造業、財務金融保險、通訊及醫療服務。
商場從顧客購買商品中發現一定的關聯規則，提供打折、購物券等促銷手段，提高銷售額;
保險公司通過數據挖掘建立預測模型，辨別出可能的欺詐行為，避免道德風險，減少成本，提高利潤;
在製造業中，半導體的生產和測試中都產生大量的數據，就必須對這些數據進行分析，找出存在的問題，提高質量;
電子商務的作用越來越大，可以用數據挖掘對網站進行分析，識別用戶的行為模式，保留客戶，提供個性化服務，優化網站設計;
一些公司運用數據挖掘的成功案例，顯示了數據挖掘的強大生命力：
美國AutoTrader是世界上最大的汽車銷售站點，每天都會有大量的用戶對網站上的信息點擊，尋求信息，其運用了SAS軟體進行數據挖掘，每天對數據進行分析，找出用戶的訪問模式，對產品的喜歡程度進行判斷，並設特定服務，取得了成功。
Reuteres是世界著名的金融信息服務公司，其利用的數據大都是外部的數據，這樣數據的質量就是公司生存的關鍵所在，必須從數據中檢測出錯誤的成分。Reuteres用SPSS的數據挖掘工具SPSS/Clementine，建立數據挖掘模型，極大地提高了錯誤的檢測，保證了信息的正確和權威性。
Bass Export是世界最大的啤酒進出口商之一，在海外80多個市場從事交易，每個星期傳送23000份定單，這就需要了解每個客戶的習慣，如品牌的喜好等，Bass Export用IBM的Intelligent Miner很好的解決了上述問題。
6. 數據挖掘概念綜述
數據挖掘概念綜述
數據挖掘又稱從資料庫中發現知識（KDD）、數據分析、數據融合（Data Fusion）以及決策支持。KDD一詞首次出現在1989年8月舉行的第11屆國際聯合人工智慧學術會議上。隨後在1991年、1993年和1994年都舉行KDD 專題討論會，匯集來自各個領域的研究人員和應用開發者，集中討論數據統計、海量數據分析算 法、知識表示、知識運用等問題。隨著參與人員的不斷增多，KDD國際會議發展成為年會。1998 年在美國紐約舉行的第四屆知識發現與數據 挖掘國際學術會議不僅進行了學術討論，並且有30多家軟體公司展示了他們的數據挖掘軟體產品，不少軟體已在北美、歐洲等國得到應用。
一、什麼是數據挖掘
1.1、數據挖掘的歷史
近十幾年來，人們利用信息技術生產和搜集數據的能力大幅度提高，千萬萬個資料庫被用於商業管理、政府辦公、科學研究和工程開發等等，這一勢頭仍將持續發展下去。於是，一個新的挑戰被提了出來：在這被稱之為信息爆炸的時代，信息過量幾乎成為人人需要面對的問題。如何才能不被信息的汪洋大海所淹沒，從中及時發現有用的知識，提高信息利用率呢？要想使數據真正成為一個公司的資源，只有充分利用它為公司自身的業務決策和戰略發展服務才行，否則大量的數據可能成為包袱，甚至成為垃圾。因此，面對」人們被數據淹沒，人們卻飢餓於知識」的挑戰。另一方面計算機技術的另一領域——人工智慧自1956年誕生之後取得了重大進展。經歷了博弈時期、自然語言理解、知識工程等階段，目前的研究 熱點是機器學習。機器學習是用計算機模擬人類學習的一門科學，比較成熟的演算法有神經網路、遺傳演算法等。用資料庫管理系統來存儲數據，用機器學習的方法來分析數據，挖掘大量數據背後的知識，這兩者的結合促成了資料庫中的知識發現（KDD：Knowledge Discovery in Databases）的產生，因此，數據挖掘和知識發現（DMKD）技術應運而生，並得以蓬勃發展，越來越顯示出其強大的生命力。
數據挖掘又稱從資料庫中發現知識（KDD）、數據分析、數據融合（Data Fusion）以及決策支持。KDD一詞首次出現在1989年8月舉行的第11屆國際聯合人工智慧學術會議上。隨後在1991年、1993年和1994年都舉行KDD 專題討論會，匯集來自各個領域的研究人員和應用開發者，集中討論數據統計、海量數據分析算 法、知識表示、知識運用等問題。隨著參與人員的不斷增多，KDD國際會議發展成為年會。1998 年在美國紐約舉行的第四屆知識發現與數據 挖掘國際學術會議不僅進行了學術討論，並且有30多家軟體公司展示了他們的數據挖掘軟體產品，不少軟體已在北美、歐洲等國得到應用。
2.2數據挖掘的概念
從1989年到現在，KDD的定義隨著人們研究的不斷深入也在不斷完善，目前比較公認的定義是Fayyad 等給出的：KDD是從數據集中識別出有效的、新穎的、潛在有用的以及最終可理解模式的高級處理過程。從定義可以看出，數據挖掘（DataMining）就是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。人們把原始數據看作是形成知識的源泉，就像從礦石中采礦一樣。原始數據可以是結構化的，如關系資料庫中的數據，也可以是半結構化的，如文本、圖形、圖像數據，甚至是分布在網路上的異構型數據。發現知識的方法可以是數學的，也可以是非數學的；可以是演繹的，也可以是歸納的。發現了的知識可以被用於信息管理、查詢優化、決策支持、過程式控制制等，還可以用於數據自身的維護。因此，數據挖掘是一門很廣義的交叉學科，它匯聚了不同領域的研究者，尤其是資料庫、人工智慧、數理統計、可視化、並行計算等方面的學者和工程技術人員。
特別要指出的是，數據挖掘技術從一開始就是面向應用的。它不僅是面向特定資料庫的簡單檢索查詢調用，而且要對這些數據進行微觀、中觀乃至宏觀的統計、分析、綜合和推理，以指導實際問題的求解，企圖發現事件間的相互關聯，甚至利用已有的數據對未來的活動進行預測。
一般來說在科研領域中稱為KDD，而在工程領域則稱為數據挖掘。
二、數據挖掘的步驟
KDD包括以下步驟：
1、數據准備
KDD的處理對象是大量的數據，這些數據一般存儲在資料庫系統中，是長期積累的結果。但往往不適合直接在這些數據上面進行知識挖 掘，需要做數據准備工作，一般包括數據的選擇（選擇相關的數據）、凈化（消除噪音、冗餘數據）、推測（推算缺失數據）、轉換（離散值 數據與連續值數據之間的相互轉換，數據值的分組分類，數據項之間的計算組合等）、數據縮減（減少數據量）。如果KDD的對象是數據倉 庫，那麼這些工作往往在生成數據倉庫時已經准備妥當。數據准備是KDD 的第一個步驟，也是比較重要的一個步驟。數據准備是否做好將影 響到數據挖掘的效率和准確度以及最終模式的有效性。
2、數據挖掘
數據挖掘是KDD最關鍵的步驟，也是技術難點所在。研究KDD的人員中大部分都在研究數據挖掘技術，採用較多的技術有決策樹、分類、 聚類、粗糙集、關聯規則、神經網路、遺傳演算法等。數據挖掘根據KDD的目標，選取相應演算法的參數，分析數據，得到可能形成知識的模式 模型。
3、評估、解釋模式模型
上面得到的模式模型，有可能是沒有實際意義或沒有實用價值的，也有可能是其不能准確反映數據的真實意義，甚至在某些情況下是與事 實相反的，因此需要評估，確定哪些是有效的、有用的模式。評估可以根據用戶多年的經驗，有些模式也可以直接用數據來檢驗其准確性。 這個步驟還包括把模式以易於理解的方式呈現給用戶。
4、鞏固知識
用戶理解的、並被認為是符合實際和有價值的模式模型形成了知識。同時還要注意對知識做一
致性檢查，解決與以前得到的知識互相沖 突、矛盾的地方，使知識得到鞏固。
5、運用知識
發現知識是為了運用，如何使知識能被運用也是KDD的步驟之一。運用知識有兩種方法：一種是只需看知識本身所描述的關系或結果，就 可以對決策提供支持；另一種是要求對新的數據運用知識，由此可能產生新的問題，而需要對知識做進一步的優化
三、數據挖掘的特點及功能
3.1、數據挖掘的特點
數據挖掘具有如下幾個特點，當然，這些特點與數據挖掘要處理的數據和目的是密切相關的。
1、處理的數據規模十分巨大。
2、查詢一般是決策制定者（用戶）提出的即時隨機查詢，往往不能形成精確的查詢要求。
3、由於數據變化迅速並可能很快過時，因此需要對動態數據作出快速反應，以提供決策支持。
4、主要基於大樣本的統計規律，其發現的規則不一定適用於所有數據
3.2、數據挖掘的功能
數據挖掘所能發現的知識有如下幾種：
廣義型知識，反映同類事物共同性質的知識；
特徵型知識，反映事物各方面的特徵知識；
差異型知識，反映不同事物之間屬性差別的知識 ;關聯型知識，反映事物之間依賴或關聯的知識；
預測型知識，根據歷史的和當前的數據推測未來數據；偏離型知識，揭示事物偏離常規的異常現象。
所有這些知識都可以在不同的概念層次上被發現，隨著概念樹的提升，從微觀到中觀再到宏觀，以滿足不同用戶、不同層次決策的需要。例如，從一家超市的數據倉庫中，可以發現的一條典型關聯規則可能是」買麵包和黃油的顧客十有八九也買牛奶」，也可能是」買食品的顧客幾乎都用信用卡」，這種規則對於商家開發和實施客戶化的銷售計劃和策略是非常有用的。至於發現工具和方法，常用的有分類、聚類、減維、模式識別、可視化、決策樹、遺傳演算法、不確定性處理等。歸納起來，數據挖掘有如下幾個功能：
預測/驗證功能：預測/驗證功能指用資料庫的若干已知欄位預測或驗證其他未知欄位值。預測方法有統計分析方法、關聯規則和決策樹預測方法、回歸樹預測方法等。
描述功能：描述功能指找到描述數據的可理解模式。描述方法包括以下幾種：數據分類、回歸分析、簇聚、概括、構造依賴模式、變化和偏差分析、模式發現、路徑發現等。
四、數據挖掘的模式
數據挖掘的任務是從數據中發現模式。模式是一個用語言L來表示的一個表達式E，它可用來描述數據集F中數據的特性，E 所描述的數據是集 合F的一個子集FE。E作為一個模式要求它比列舉數據子集FE中所有元素的描述方法簡單。例如，「如果成績在81 ～90之間，則成績優良」可稱 為一個模式，而「如果成績為81、82、83、84、85、86、87、88、89 或90，則成績優良」就不能稱之為一個模式。
模式有很多種，按功能可分有兩大類：預測型（Predictive）模式和描述型（Descriptive）模式。
預測型模式是可以根據數據項的值精確確定某種結果的模式。挖掘預測型模式所使用的數據也都是可以明確知道結果的。例如，根據各種 動物的資料，可以建立這樣的模式：凡是胎生的動物都是哺乳類動物。當有新的動物資料時，就可以根據這個模式判別此動物是否是哺乳動物。
描述型模式是對數據中存在的規則做一種描述，或者根據數據的相似性把數據分組。描述型模式不能直接用於預測。例如，在地球上，70 ％的表面被水覆蓋，30 ％是土地。
在實際應用中，往往根據模式的實際作用細分為以下6 種：
1、分類模式
分類模式是一個分類函數（ 分 類 器），能夠把數據集中的數據項映射到某個給定的類上。分類模式往往表現為一棵分類樹，根據數據的 值從樹根開始搜索，沿著數據滿足的分支往上走，走到樹葉就能確定類別。
2、回歸模式
回歸模式的函數定義與分類模式相似，它們的差別在於分類模式的預測值是離散的，回歸模式的預測值是連續的。如給出某種動物的特徵，可以用分類模式判定這種動物是哺乳動物還是鳥類；給出某個人的教育情況、工作經驗，可以用回歸模式判定這個人的年工資在哪個范圍內，是在6000元以下，還是在6000元到1萬元之間，還是在1萬元以上。
3、時間序列模式
時間序列模式根據數據隨時間變化的趨勢預測將來的值。這里要考慮到時間的特殊性質，像一些周期性的時間定義如星期、月、季節、年 等，不同的日子如節假日可能造成的影響，日期本身的計算方法，還有一些需要特殊考慮的地方如時間前後的相關性（過去的事情對將來有 多大的影響力）等。只有充分考慮時間因素，利用現有數據隨時間變化的一系列的值，才能更好地預測將來的值。
4、聚類模式
聚類模式把數據劃分到不同的組中，組之間的差別盡可能大，組內的差別盡可能小。與分類模式不同，進行聚類前並不知道將要劃分成幾 個組和什麼樣的組，也不知道根據哪一（幾）個數據項來定義組。一般來說，業務知識豐富的人應該可以理解這些組的含義，如果產生的模式無法理解或不可用，則該模式可能是無意義的，需要回到上階段重新組織數據。
5、關聯模式
關聯模式是數據項之間的關聯規則。關聯規則是如下形式的一種規則：「在無力償還貸款的人當中，60％的人的月收入在3000元以下。」
6、序列模式
序列模式與關聯模式相仿，而把數據之間的關聯性與時間聯系起來。為了發現序列模式，不僅需要知道事件是否發生，而且需要確定事件 發生的時間。例如，在購買彩電的人們當中，60％的人會在3個月內購買影碟機
五、數據挖掘的發現任務
數據挖掘涉及的學科領域和方法很多，有多種分類法。根據挖掘任務分，可分為分類或預測模型發現、數據總結、聚類、關聯規則發現、序列模式發現、依賴關系或依賴模型發現、異常和趨勢發現等等；根據挖掘對象分，有關系資料庫、面向對象資料庫、空間資料庫、時態資料庫、文本數據源、多媒體資料庫、異質資料庫、遺產資料庫以及環球網Web;根據挖掘方法分，可粗分為：機器學習方法、統計方法、神經網路方法和資料庫方法。機器學習中，可細分為：歸納學習方法（決策樹、規則歸納等）、基於範例學習、遺傳演算法等。統計方法中，可細分為：回歸分析（多元回歸、自回歸等）、判別分析（貝葉斯判別、費歇爾判別、非參數判別等）、聚類分析（系統聚類、動態聚類等）、探索性分析（主元分析法、相關分析法等）等。神經網路方法中，可細分為：前向神經網路（BP演算法等）、自組織神經網路（自組織特徵映射、競爭學習等）等。資料庫方法主要是多維數據分析或OLAP 方法，另外還有面向屬性的歸納方法。
從挖掘任務和挖掘方法的角度而言有數據總結、分類發現、聚類和關聯規則發現四種非常重要的發現任務。
5.1、數據總結
數據總結目的是對數據進行濃縮，給出它的緊湊描述。傳統的也是最簡單的數據總結方法是計算出資料庫的各個欄位上的求和值、平均值、方差值等統計值，或者用直方圖、餅狀圖等圖形方式表示。數據挖掘主要關心從數據泛化的角度來討論數據總結。數據泛化是一種把資料庫中的有關數據從低層次抽象到高層次上的過程。由於資料庫上的數據或對象所包含的信息總是最原始、基本的信息（這是為了不遺漏任何可能有用的數據信息）。人們有時希望能從較高層次的視圖上處理或瀏覽數據，因此需要對數據進行不同層次上的泛化以適應各種查詢要求。數據泛化目前主要有兩種技術：多維數據分析方法和面向屬性的歸納方法。
1、多維數據分析方法是一種數據倉庫技術，也稱作聯機分析處理（OLAP）。數據倉庫是面向決策支持的、集成的、穩定的、不同時間的歷史數據集合。決策的前提是數據分析。在數據分析中經常要用到諸如求和、總計、平均、最大、最小等匯集操作，這類操作的計算量特別大。因此一種很自然的想法是，把匯集操作結果預先計算並存儲起來，以便於決策支持系統使用。存儲匯集操作結果的地方稱作多維資料庫。多維數據分析技術已經在決策支持系統中獲得了成功的應用，如著名的SAS數據分析軟體包、Business Object公司的決策支持系統Business Object,以及IBM公司的決策分析工具都使用了多維數據分析技術。
採用多維數據分析方法進行數據總結，它針對的是數據倉庫，數據倉庫存儲的是離線的歷史數據。
2、為了處理聯機數據，研究人員提出了一種面向屬性的歸納方法。它的思路是直接對用戶感興趣的數據視圖（用一般的SQL查詢語言即可獲得）進行泛化，而不是像多維數據分析方法那樣預先就存儲好了泛化數據。方法的提出者對這種數據泛化技術稱之為面向屬性的歸納方法。原始關系經過泛化操作後得到的是一個泛化關系，它從較高的層次上總結了在低層次上的原始關系。有了泛化關系後，就可以對它進行各種深入的操作而生成滿足用戶需要的知識，如在泛化關系基礎上生成特性規則、判別規則、分類規則，以及關聯規則等。
5.2、分類發現
分類在數據挖掘中是一項非常重要的任務，目前在商業上應用最多。分類的目的是學會一個分類函數或分類模型（也常常稱作分類器），該模型能把資料庫中的數據項映射到給定類別中的某一個。分類和回歸都可用於預測。預測的目的是從利用歷史數據紀錄中自動推導出對給定數據的推廣描述，從而能對未來數據進行預測。和回歸方法不同的是，分類的輸出是離散的類別值，而回歸的輸出則是連續數值。
要構造分類器，需要有一個訓練樣本數據集作為輸入。訓練集由一組資料庫記錄或元組構成，每個元組是一個由有關欄位（又稱屬性或特徵）值組成的特徵向量，此外，訓練樣本還有一個類別標記。一個具體樣本的形式可為：（ v1, v2, …， vn; c ）；其中vi表示欄位值，c表示類別。
分類器的構造方法有統計方法、機器學習方法、神經網路方法等等。統計方法包括貝葉斯法和非參數法（近鄰學習或基於事例的學習），對應的知識表示則為判別函數和原型事例。機器學習方法包括決策樹法和規則歸納法，前者對應的表示為決策樹或判別樹，後者則一般為產生式規則。神經網路方法主要是BP演算法，它的模型表示是前向反饋神經網路模型（由代表神經元的節點和代表聯接權值的邊組成的一種體系結構），BP演算法本質上是一種非線性判別函數。另外，最近又興起了一種新的方法：粗糙集（rough set），其知識表示是產生式規則。
不同的分類器有不同的特點。有三種分類器評價或比較尺度：1 預測准確度；2 計算復雜度；3 模型描述的簡潔度。預測准確度是用得最多的一種比較尺度，特別是對於預測型分類任務，目前公認的方法是10番分層交叉驗證法。計算復雜度依賴於具體的實現細節和硬體環境，在數據挖掘中，由於操作對象是巨量的資料庫，因此空間和時間的復雜度問題將是非常重要的一個環節。對於描述型的分類任務，模型描述越簡潔越受歡迎；例如，採用規則表示的分類器構造法就更有用，而神經網路方法產生的結果就難以理解。
另外要注意的是，分類的效果一般和數據的特點有關，有的數據雜訊大，有的有缺值， 有的分布稀疏，有的欄位或屬性間相關性強，有的屬性是離散的而有的是連續值或混合式的。目前普遍認為不存在某種方法能適合於各種特點的數據。
5.3、聚類
聚類是把一組個體按照相似性歸成若干類別，即」物以類聚」。它的目的是使得屬於同一類別的個體之間的距離盡可能的小，而不同類別上的個體間的距離盡可能的大。聚類方法包括統計方法、機器學習方法、神經網路方法和面向資料庫的方法。
在統計方法中，聚類稱聚類分析，它是多元數據分析的三大方法之一（其它兩種是回歸分析和判別分析）。它主要研究基於幾何距離的聚類，如歐式距離、明考斯基距離等。傳統的統計聚類分析方法包括系統聚類法、分解法、加入法、動態聚類法、有序樣品聚類、有重疊聚類和模糊聚類等。這種聚類方法是一種基於全局比較的聚類，它需要考察所有的個體才能決定類的劃分；因此它要求所有的數據必須預先給定，而不能動態增加新的數據對象。聚類分析方法不具有線性的計算復雜度，難以適用於資料庫非常大的情況。
在機器學習中聚類稱作無監督或無教師歸納；因為和分類學習相比，分類學習的例子或數據對象有類別標記，而要聚類的例子則沒有標記，需要由聚類學習演算法來自動確定。很多人工智慧文獻中，聚類也稱概念聚類；因為這里的距離不再是統計方法中的幾何距離 ,而是根據概念的描述來確定的。當聚類對象可以動態增加時，概念聚類則稱是概念形成。
在神經網路中，有一類無監督學習方法：自組織神經網路方法；如Kohonen自組織特徵映射網路、競爭學習網路等等。在數據挖掘領域里，見報道的神經網路聚類方法主要是自組織特徵映射方法，IBM在其發布的數據挖掘白皮書中就特別提到了使用此方法進行資料庫聚類分割。
5.4、關聯規則發現
關聯規則是形式如下的一種規則，」在購買麵包和黃油的顧客中，有90%的人同時也買了牛奶」（麵包+黃油 （ 牛奶 ）。用於關聯規則發現的主要對象是事務型資料庫，其中針對的應用則是售貨數據，也稱貨籃數據。一個事務一般由如下幾個部分組成：事務處理時間 ,一組顧客購買的物品，有時也有顧客標識號（如信用卡號）。
由於條形碼技術的發展，零售部門可以利用前端收款機收集存儲大量的售貨數據。因此，如果對這些歷史事務數據進行分析，則可對顧客的購買行為提供極有價值的信息。例如，可以幫助如何擺放貨架上的商品（如把顧客經常同時買的商品放在一起），幫助如何規劃市場（怎樣相互搭配進貨）。由此可見，從事務數據中發現關聯規則，對於改進零售業等商業活動的決策非常重要。
如果不考慮關聯規則的支持度和可信度，那麼在事務資料庫中存在無窮多的關聯規則。事實上，人們一般只對滿足一定的支持度和可信度的關聯規則感興趣。在文獻中，一般稱滿足一定要求的（如較大的支持度和可信度）的規則為強規則。因此，為了發現出有意義的關聯規則，需要給定兩個閾值：最小支持度和最小可信度。前者即用戶規定的關聯規則必須滿足的最小支持度，它表示了一組物品集在統計意義上的需滿足的最低程度；後者即用戶規定的關聯規則必須滿足的最小可信度，它反應了關聯規則的最低可靠度。
在實際情況下，一種更有用的關聯規則是泛化關聯規則。因為物品概念間存在一種層次關系，如夾克衫、滑雪衫屬於外套類，外套、襯衣又屬於衣服類。有了層次關系後，可以幫助發現一些更多的有意義的規則。例如，」買外套，買鞋子」（此處，外套和鞋子是較高層次上的物品或概念，因而該規則是一種泛化的關聯規則）。由於商店或超市中有成千上萬種物品，平均來講，每種物品（如滑雪衫）的支持度很低，因此有時難以發現有用規則；但如果考慮到較高層次的物品（如外套），則其支持度就較高，從而可能發現有用的規則。另外，關聯規則發現的思路還可以用於序列模式發現。用戶在購買物品時，除了具有上述關聯規律，還有時間上或序列上的規律，因為，很多時候顧客會這次買這些東西，下次買同上次有關的一些東西，接著又買有關的某些東西。
7. 數據挖掘是做什麼的
數據挖掘又譯為資料探勘、數據采礦。是一種透過數理模式來分析企業內儲存的大量資料，以找出不同的客戶或市場劃分，分析出消費者喜好和行為的方法。它是資料庫知識發現中的一個步驟。數據挖掘一般是指從大量的數據中自動搜索隱藏於其中的有著特殊關系性的信息的過程。主要有數據准備、規律尋找和規律表示3個步驟。數據挖掘的任務有關聯分析、聚類分析、分類分析、異常分析、特異群組分析和演變分析等。數據挖掘通常與計算機科學有關，並通過統計、在線分析處理、情報檢索、機器學習、專家系統（依靠過去的經驗法則）和模式識別等諸多方法來實現上述目標。
是一個用數據發現問題、解決問題的學科。
通常通過對數據的探索、處理、分析或建模實現。
我們可以看到數據挖掘具有以下幾個特點：
基於大量數據：並非說小數據量上就不可以進行挖掘，實際上大多數數據挖掘的演算法都可以在小數據量上運行並得到結果。但是，一方面過小的數據量完全可以通過人工分析來總結規律，另一方面來說，小數據量常常無法反映出真實世界中的普遍特性。
非平凡性：所謂非平凡，指的是挖掘出來的知識應該是不簡單的，絕不能是類似某著名體育評論員所說的「經過我的計算，我發現了一個有趣的現象，到本場比賽結束 為止，這屆世界盃的進球數和失球數是一樣的。非常的巧合！」那種知識。這點看起來勿庸贅言，但是很多不懂業務知識的數據挖掘新手卻常常犯這種錯誤。
隱含性：數據挖掘是要發現深藏在數據內部的知識，而不是那些直接浮現在數據表面的信息。常用的BI工具，例如報表和OLAP，完全可以讓用戶找出這些信息。
新奇性：挖掘出來的知識應該是以前未知的，否則只不過是驗證了業務專家的經驗而已。只有全新的知識，才可以幫助企業獲得進一步的洞察力。
價值性：挖掘的結果必須能給企業帶來直接的或間接的效益。有人說數據挖掘只是「屠龍之技」，看起來神乎其神，卻什麼用處也沒有。這只是一種誤解，不可否認的 是在一些數據挖掘項目中，或者因為缺乏明確的業務目標，或者因為數據質量的不足，或者因為人們對改變業務流程的抵制，或者因為挖掘人員的經驗不足，都會導 致效果不佳甚至完全沒有效果。但大量的成功案例也在證明，數據挖掘的確可以變成提升效益的利器
8. 數據挖掘的國內外研究現狀
摘要：隨著網路、資料庫技術的迅速發畏以及資料庫管理系統的廣泛應用，人們積累的數據越來越多。數據挖掘(Data Mining)就是從大量的實際應用數據中提取隱含信息和知識，它利用了資料庫、人工智慧和數理統計等多方面的技術，是一類深層次的數據分析方法。
關鍵詞：數據挖掘；知識；分析；市場營銷；金融投資
隨著網路、資料庫技術的迅速發展以及資料庫管理系統的廣泛應用，人們積累的數據越來越多。由此，數據挖掘技術應運而生。下面，本文對數據技術及其應用作一簡單介紹。
一、數據挖掘定義
數據挖掘(Data Mining)就是從大量的、不完全的、有雜訊的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。它是一種新的商業信息處理技術，其主要特點是對商業資料庫中的大量業務數據進行抽取、轉換、分析和其他模型化處理，從中提取輔助商業決策的關鍵性數據。簡而言之，數據挖掘其實是一類深層次的數據分析方法。從這個角度數據挖掘也可以描述為：按企業制定的業務目標，對大量的企業數據進行探索和分析，揭示隱藏的、未知的或驗證已知的規律性，並進一步將其模型化的先進有效的方法。
二、數據挖掘技術
數據挖掘技術是人們長期對資料庫技術進行研究和開發的結果，代寫論文其中數據倉庫技術的發展與數據挖掘有著密切的關系。大部分情況下，數據挖掘都要先把數據從數據倉庫中拿到數據挖掘庫或數據集市中，因為數據倉庫會對數據進行清理，並會解決數據的不一致問題，這會給數據挖掘帶來很多好處。此外數據挖掘還利用了人工智慧(AI)和統計分析的進步所帶來的好處，這兩門學科都致力於模式發現和預測。資料庫、人工智慧和數理統計是數據挖掘技術的三大支柱。由於數據挖掘所發現的知識的不同，其所利用的技術也有所不同。
1．廣義知識。指類別特徵的概括性描述知識。根據數據的微觀特性發現其表徵的、帶有普遍性的、較高層次概念的、中觀和宏觀的知識，反映同類事物的共同性質，是對數據的概括、精煉和抽象。廣義知識的發現方法和實現技術有很多，如數據立方體、面向屙性的歸約等。數據立方體的基本思想是實現某些常用的代價較高的聚集函數的計算，諸如計數、求和、平均、最大值等，並將這些實現視圖儲存在多維資料庫中。而面向屬性的歸約是以類SQL語言來表示數據挖掘查詢，收集資料庫中的相關數據集，然後在相關數據集上應用一系列數據推廣技術進行數據推廣，包括屬性刪除、概念樹提升、屬性閾值控制、計數及其他聚集函數傳播等。
2．關聯知識。它反映一個事件和其他事件之間依賴或關聯的知識。如果兩項或多項屬性之間存在關聯，那麼其中一項的屬性值就可以依據其他屬性值進行預測。最為著名的關聯規
則發現方法是Apriori演算法和FP—Growth演算法。關聯規則的發現可分為兩步：第一步是迭代識別所有的頻繁項目集，要求頻繁項目集的支持率不低於用戶設定的最低值；第二步是從頻繁項目集中構造可信度不低於用戶設定的最低值的規則。識別或發現所有頻繁項目集是關聯規則發現演算法的核心，也是計算量最大的部分。
3．分類知識。它反映同類事物共同性質的特徵型知識和不同事物之間的差異型特徵知識。分類方法有決策樹、樸素貝葉斯、神經網路、遺傳演算法、粗糙集方法、模糊集方法、線性回歸和K—Means劃分等。其中最為典型的分類方法是決策樹。它是從實例集中構造決策樹，是一種有指導的學習方法。
該方法先根據訓練子集形成決策樹，如果該樹不能對所有對象給出正確的分類，那麼選擇一些例外加入到訓練子集中，重復該過程一直到形成正確的決策集。最終結果是一棵樹，其葉結點是類名，中間結點是帶有分枝的屙性，該分枝對應該屙性的某一可能值。
4．預測型知識。它根據時間序列型數據，由歷史的和當前的數據去推測未來的數據，也可以認為是以時間為關鍵屬性的關聯知識。目前，時間序列預測方法有經典的統計方法、神經網路和機器學習等。1968年BoX和Jenkins提出了一套比較完善的時間序列建模理論和分析方法，這些經典的數學方法通過建立隨機模型，進行時間序列的預測。由於大量的時間序列是非平穩的，其特徵參數和數據分布隨著時間的推移而發生變化。因此，僅僅通過對某段歷史數據的訓練，建立單一的神經網路預測模型，還無法完成准確的預測任務。為此，人們提出了基於統計學和基於精確性的再訓練方法，當發現現存預測模型不再適用於當前數據時，對模型重新訓練，獲得新的權重參數，建立新的模型。
5．偏差型知識。它是對差異和極端特例的描述，揭示事物偏離常規的異常現象，如標准類外的特例、數據聚類外的離群值等。所有這些知識都可以在不同的概念層次上被發現，並隨著概念層次的提升，從微觀到中觀、到宏觀，以滿足不同用戶不同層次決策的需要。
三、數據挖掘流程
數據挖掘是指一個完整的過程，該過程從大型資料庫中挖掘先前未知的、有效的、可實用的信息，代寫畢業論文並使用這些信息做出決策或豐富知識。數據挖掘的基本過程和主要步驟如下：
過程中各步驟的大體內容如下：
1．確定業務對象，清晰地定義出業務問題。認清數據挖掘的目的是數據挖掘的重要一步，挖掘的最後結構不可預測，但要探索的問題應該是有預見的，為了數據挖掘而挖掘則帶有盲目性，是不會成功的。
2．數據准備。(1)數據選擇。搜索所有與業務對象有關的內部和外部數據信息，並從中選擇出適用於數據挖掘應用的數據。(2)數據預處理。研究數據的質量，進行數據的集成、變換、歸約、壓縮等．為進一步的分析作準備，並確定將要進行的挖掘操作的類型。(3)數據轉換。將數據轉換成一個分析模型，這個分析模型是針對挖掘演算法建立的，這是數據挖掘成功的關鍵。
3．數據挖掘。對所得到的經過轉換的數據進行挖掘。除了完善和選擇合適的挖掘演算法外，其餘一切工作都能自動地完成。
4．結果分析。解釋並評估結果。其使用的分析方法一般應視挖掘操作而定，通常會用到可視化技術。
5．知識同化。將分析所得到的知識集成到業務信息系統的組織結構中去。
四、數據挖掘的應用
數據挖掘技術從一開始就是面向應用的。目前在很多領域，數據挖掘都是一個很時髦的詞，尤其是在如銀行、電信、保險、交通、零售(如超級市場)等商業領域。
1．市場營銷。由於管理信息系統和P0S系統在商業尤其是零售業內的普遍使用，特別是條形碼技術的使用，從而可以收集到大量關於用戶購買情況的數據，並且數據量在不斷激增。對市場營銷來說，通過數據分析了解客戶購物行為的一些特徵，對提高競爭力及促進銷售是大有幫助的。利用數據挖掘技術通過對用戶數據的分析，可以得到關於顧客購買取向和興趣的信息，從而為商業決策提供了可靠的依據。數據挖掘在營銷業上的應用可分為兩類：資料庫營銷(database markerting)和貨籃分析(basket analysis)。資料庫營銷的任務是通過互動式查詢、數據分割和模型預測等方法來選擇潛在的顧客，以便向它們推銷產品。通過對已有的顧客數據的辱淅，可以將用戶分為不同級別，級別越高，其購買的可能性就越大。貨籃分析
是分析市場銷售數據以識別顧客的購買行為模式，例如：如果A商品被選購，那麼B商品被購買的可能性為95％，從而幫助確定商店貨架的布局排放以促銷某些商品，並且對進貨的選擇和搭配上也更有目的性。這方面的系統有：Opportunity Ex-plorer，它可用於超市商品銷售異常情況的因果分析等，另外IBM公司也開發了識別顧客購買行為模式的一些工具(IntdligentMiner和QUEST中的一部分)。
2．金融投資。典型的金融分析領域有投資評估和股票交易市場預測，分析方法一般採用模型預測法(如神經網路或統計回歸技術)。代寫碩士論文由於金融投資的風險很大，在進行投資決策時，更需要通過對各種投資方向的有關數據進行分析，以選擇最佳的投資方向。無論是投資評估還是股票市場預測，都是對事物發展的一種預測，而且是建立在對數據的分析基礎之上的。數據挖掘可以通過對已有數據的處理，找到數據對象之間的關系，然後利用學習得到的模式進行合理的預測。這方面的系統有Fidelity Stock Selector和LBS Capital Management。前者的任務是使用神經網路模型選擇投資，後者則使用了專家系統、神經網路和基因演算法技術來輔助管理多達6億美元的有價證券。
3．欺詐甄別。銀行或商業上經常發生詐騙行為，如惡性透支等，這些給銀行和商業單位帶來了巨大的損失。對這類詐騙行為進行預測可以減少損失。進行詐騙甄別主要是通過總結正常行為和詐騙行為之間的關系，得到詐騙行為的一些特性，這樣當某項業務符合這些特徵時，可以向決策人員提出警告。
這方面應用非常成功的系統有：FALCON系統和FAIS系統。FALCON是HNC公司開發的信用卡欺詐估測系統，它已被相當數量的零售銀行用於探測可疑的信用卡交易；FAIS則是一個用於識別與洗錢有關的金融交易的系統，它使用的是一般的政府數據表單。此外數據挖掘還可用於天文學上的遙遠星體探測、基因工程的研究、web信息檢索等。
結束語
隨著資料庫、人工智慧、數理統計及計算機軟硬體技術的發展，數據挖掘技術必能在更多的領域內取得更廣泛的應用。
參考文獻：
[1]閆建紅《資料庫系統概論》的教學改革與探索[J]．山西廣播電視大學學報，2006，(15)：16—17．