什麼是資料探勘？
從大量資料（包括文字）中挖掘出隱含的、未知的、對決策有潛在價值的關係、模式和趨勢，
並運用這些知識和規則建立用於決策支援的模型，提供**性決策支援的方法、工具和過程，
就是資料探勘。
常用的資料探勘建模工具
資料探勘的基本任務包括利用分類與**、聚類分析、關聯規則、偏差檢測、智慧型推薦等方
法，幫助企業提取資料中蘊含的商業價值，提高企業的競爭力。
目標定義
資料採集
資料整理
構建模型
模型評價
模型發布
目標定義
首先要明確本次的挖掘目標是什麼，完成後能達到什麼樣的效果。我們必須了解相關
領域的有關情況、背景知識、使用者需求。想要達到好的效果，必須對挖掘目標有著清晰明了
的認識。
資料採集
明確目標後，接下來需要從業務系統中抽取乙個與挖掘目標相關的樣本資料子集。通過資料樣
本的精選，可以減少資料的處理量，減少系統資源，還能使想要尋找的規律能更好的突顯出來
進行資料取樣，一定要嚴把質量關。任何時候都不能忽視資料的質量，就算它是從資料倉儲中進行的資料取樣，也不要忘記檢查資料質量如何。因為資料掘是要探索企業運作的內在規律性，原始資料如若有錯，就很難在從中探索其規律。要時刻注意資料的完整性和有效性。
衡量資料質量的標準：資料完整無缺、各指標項齊全、資料準確無誤，反應的都是正常下的水平。
對獲取的資料還能再從中進行抽樣，抽樣的方式多種多樣，常見的抽樣方式如下：
隨機抽樣：採用隨機抽樣的方式，資料集中每一組觀測值都有相同的被抽取的概率。
等距抽樣：先將總體的全部單元按照一定順序排列，採用簡單隨機抽樣抽取第乙個樣本單元(或稱為隨機起點)，再順序抽取其餘的樣本單元。
分層抽樣：首先將樣本總體分成若干層次。每一層中的觀測值都具有相同被選用的概率，但對不同的層次可設定不同的概率。這樣的抽樣通常具有更好的代表性。
按起始順序抽樣：從輸入資料的起始處開始抽樣。抽樣的數量依據可以給定乙個百分比，或者直接給定選取觀測值的組數。
分類抽樣：在前述的幾種抽樣方式中，並不考慮抽取樣本的具體取值。分類抽樣則依據某種屬性的取值來選擇資料子集。
資料整理
當我們拿到乙個樣本資料後，它是否達到我們原來設想的要求、其中有沒有什麼 明顯的規律和趨勢、有沒有出現從未設想過的資料狀態、屬性之間有沒有什麼關聯性、它們可分成怎樣的類別等，這些都是首先要探索的內容。
所取樣資料維度過大時，如何進行姜偉處理、缺失值處理等，都是資料預處理要解決的問題。
資料預處理主要包括：資料篩選、資料變換、缺失值處理、壞資料處理、資料標準化、主要分分析、屬性選擇、資料規劃等。
構建模型
完成樣本抽取並經預處理後，接下來要考慮的問題是：
本次建模屬於資料探勘應用的哪類問題？（分類、聚類、關聯規則、時序模式或智慧型推薦）
選用哪種演算法進行建模構建？這一步是資料探勘工作的核心環節。
模型評價
從建模過程中會得出一系列的分析結果，模型評價的目的之一就是從這些模型中自動找出乙個最好的模型，另外就是要根據業務對模型進行解釋和應用。對分類與**模型和聚類分析模型的評價方法是不同的。
《資料探勘》基礎
資料探勘 data mining 是發現資料中有用模式的過程，目的在於使用所發現的模式幫助解釋當前的行為或 未來的結果 資料探勘過程涉及幾個方面 1 資料收集和儲存 2 資料選取與準備 3 模型建立與檢驗 4 解釋與驗證結果 5 模型應用 資料探勘是乙個處理過程，它利用一種或多種計算機學習技術，從資...
資料探勘基礎
本文介紹資料探勘的基本流程 針對具體的資料探勘應用的需求，首先需要明確本次的挖掘目標是什麼，系統完成後能達到什麼樣的效果，因此，我們要分析應用領域中的各種知識，了解相關領域的情況，弄清楚使用者的需求。必須明確的認識我們要幹什麼，再決定怎麼做。明確資料探勘目標後，需要抽取與挖掘目標相關的樣本資料子集。...
資料探勘入門系列 資料探勘基礎
伴隨著資訊化系統建設的發展，各行各業的中大型企業都儲存了大量的業務資料。很多的企業想要通過對這些資料的分析，來發現新的商機以及從這些資料中找到提高盈利的方法。大部分的企業，都是憑藉管理人員的自身個人經驗來開展這項工作。如果有一套系統，能夠自動地或者半自動地發現相關的知識和解決方案，這樣將會有效地提高...