很多人估計還不清楚資料探勘的目的是什麼，其實資料探勘的兩大目的就是是**和描述資料，其中前者的計算機建模及實現過程通常被稱為監督學習(supervised learning) ，後者的則通常被稱為無監督學習(supervised learning) 。往更細分，資料探勘的目標可以劃分為以下這些：
**資料
**性挖掘任務對當前資料進行推斷，以做出**。**主要包括分類——將樣本劃分到幾個預定義類之一；回歸——將樣本對映到乙個真實值**變數上。也就是說給了一定的目標屬性，讓去**目標的另外一特定屬性。如果該屬性是離散的，通常稱之為「分類」，而如果目標屬性是乙個連續的值，則稱之為「回歸」。
描述資料
描述性挖掘任務是描述資料庫中資料的一般性質。描述主要包括聚類——將樣本劃分為不同類(無預定義類)，關聯規則發現——發現資料集中不同特徵的相關性。這是指找出資料間潛在的聯絡模式。其他的描述任務還有異常檢測，其過程類似於聚類的反過程，聚類將相似的資料聚合在一起，而異常檢測將離群太遠的點給剔除出來。
說起來可能很複雜，不容易理解，為了幫助大家了解資料探勘是如何進行的，如何對**性挖掘任務對當前資料進行推斷，以做出**。我引用smartbi的資料探勘平台（smartbi mining）快速搭建乙個銀行客戶流失的**的過程。
1.新建實驗
smartbi資料探勘的預設介面為『實驗管理』介面，該介面可以進行『新建實驗』：
新建方式1：在資料夾右鍵選單『新建』中單擊『實驗』；
新建方式2：單擊『新建實驗』。
2.選擇資料來源
根據原始資料存放的方式在選擇資料來源節點，將資料來源節點拖拽至畫布區域，並在引數面板上進行資料來源資訊的設定。
3.資料模型搭建
特徵選擇：將『卡等級』、『是否為代發客戶』、『月均代發金額』、『最多代發金額』、『月初aum』、『月均aum』做為特徵列，而『是否流失』做為標籤列；
拆分：將資料集進行拆分，一部分資料用來訓練模型，另一部分用來驗證經過訓練的模型效果如何；
隨機森林：本研究用分類演算法節點中選擇 隨機森林演算法 進行**客戶流失的模型構建。
4.訓練&**
訓練：訓練節點的輸入分為兩部分，左邊為演算法節點，右邊為訓練資料集，模型通過對訓練集資料中特徵列的資料進行學習，並根據標籤列的資料，確認具有何種特徵的資料可能是流失客戶，進而使模型獲得能夠識別流失客戶的能力；
**：**節點的輸入分為兩部分，左邊為訓練好的模型，右邊為測試資料集，模型運用識別流失客戶的能力，對測試集中的特徵列資料進行處理，並獲得是否為流失客戶的標記，這裡的標記是資料模型給出的結論，並非測試集中標籤列的資料。
5.結果評估
評估：通過對比資料模型**結果與測試集資料之間的差異，可以評價模型的效果。
最終輸出評價結果為：
圖：smartbi銀行客戶流失**結果
資料分析和資料探勘的區別是什麼？
就目前而言，大資料 資料分析 物聯網 人工智慧的不斷發展使得各行各業積累了很多的原始資料，尤其是在這個網際網路時代中，資料不斷的擴大。對於資料的正誤以及是夠有價值都是比較重要的，於是就有了資料分析這個行業，但是資料行業的新人對於資料分析和資料探勘不是很清楚多了，那麼現在就給大家講講資料分析和資料探勘...
銀行的動態口令令牌是什麼原理
有網銀的少年們一般都收到過銀行給的這樣乙個令牌，俗稱動態口令，在支付的時候輸入自己的密碼和動態口令上的動態密碼，就能完成驗證，銀行就相信你不是壞人了，今天我們來簡述一下這個動態口令令牌是個什麼原理。如圖的rsa securid sid700是當前市面上流行使用的動態口令令牌，在筆者準備資料的過程中發...
辦公平台主要的目的是什麼？
開始工作也差不多四年了，有幸參與了國內乙個大型金融公司辦公平台的開發和建設工作，在工作中遇到了很多問題，也積累了少許算不上經驗的經驗，來到這裡來分享一下，和大家 一下，有好的地方大家可以借鑑，不好的地方呢也請大家指教，也能對我的工作進行改進。說起辦公平台的開發，可能很多的技術人都嗤之以鼻，覺得技術含...