『壹』 數據挖掘有哪些技術
1、模式跟蹤
模式跟蹤是數據挖掘的一項基本技術。它旨在通過識別和監視數據中的趨勢或模式，以對業務成果形成智能推斷。例如，企業可以用它來識別銷售數據的發展趨勢。如果發現某種產品在某些特定人群中的銷售情況，要好於其他產品，那麼該企業便可以據此來創建類似的產品或服務，甚至只是簡單地為此類人群增加原始產品的庫存。
2、數據清理和准備
作為數據挖掘過程中的一個重要環節，我們必須對原始數據進行清理和格式化，以用於各種後續的分析。具體而言，數據的清理和准備工作包含了：數據建模，轉換，遷移，集成和聚合等各種元素。這是理解數據基本特徵和屬性，進而確定其最佳用途的必要步驟。
3、分類
基於分類的數據挖掘技術，主要涉及到分析各種類型數據之間的關聯屬性。一旦確定了數據類型的關鍵特徵，企業便可以對它們進行分類。企業可以據此判定是該保護，還是該刪除某些個人身份信息。
4、異常值(Outlier)檢測
異常值檢測可被用於識別數據集中的異常情況。企業在發現數據中異常值後，可以通過防範此類事件的發生，以順利實現業務目標。例如，信用卡系統在某個特定時段出現使用和交易的高峰，那麼企業便可以通過分析了解到，可能是由於“大促”所致，並為將來的此類活動做好資源上的事先部署與准備。
5、關聯
關聯是一種與統計學相關的數據挖掘技術。它旨在建立某些數據與其他數據、或數據驅動型事件的聯系。它與機器學習中的“共現(co-occurrence)”概念相似，即：某個基於數據的事件的發生概率，是由另一個事件的存在性所標識的。例如，用戶購買漢堡這一行為，往往會伴隨著購買薯片的可能性。兩者之間有著較強的關聯性，卻又不是絕對的伴生關系。
6、聚類
聚類是一種依靠可視化方法，來理解數據的分析技術。聚類機制使用圖形或顏色，來顯示數據在不同類別指標下的分布情況。通過圖形式的聚類分析，用戶可以直觀地獲悉數據隨業務目標發展的趨勢。
『貳』 數據挖掘的基本步驟是什麼
本文操作環境：windows10系統、thinkpad t480電腦。
具體步驟如下：
1、定義問題
在開始知識發現之前最先的也是最重要的要求就是了解數據和業務問題。必須要對目標有一個清晰明確的定義，即決定到底想干什麼。比如，想提高電子信箱的利用率時，想做的可能是「提高用戶使用率」，也可能是「提高一次用戶使用的價值」，要解決這兩個問題而建立的模型幾乎是完全不同的，必須做出決定。
2、建立數據挖掘庫
建立數據挖掘庫包括以下幾個步驟：數據收集，數據描述，選擇，數據質量評估和數據清理，合並與整合，構建元數據，載入數據挖掘庫，維護數據挖掘庫。
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欄位，和決定是否需要定義導出欄位。如果數據集包含成百上千的欄位，那麼瀏覽分析這些數據將是一件非常耗時和累人的事情，這時需要選擇一個具有好的界面和功能強大的工具軟體來協助你完成這些事情。
4、准備數據
這是建立模型之前的最後一步數據准備工作。可以把此步驟分為四個部分：選擇變數，選擇記錄，創建新變數，轉換變數。
5、建立模型
建立模型是一個反復的過程。需要仔細考察不同的模型以判斷哪個模型對面對的商業問題最有用。先用一部分數據建立模型，然後再用剩下的數據來測試和驗證這個得到的模型。有時還有第三個數據集，稱為驗證集，因為測試集可能受模型的特性的影響，這時需要一個獨立的數據集來驗證模型的准確性。訓練和測試數據挖掘模型需要把數據至少分成兩個部分，一個用於模型訓練，另一個用於模型測試。
6、評價模型
模型建立好之後，必須評價得到的結果、解釋模型的價值。從測試集中得到的准確率只對用於建立模型的數據有意義。在實際應用中，需要進一步了解錯誤的類型和由此帶來的相關費用的多少。經驗證明，有效的模型並不一定是正確的模型。造成這一點的直接原因就是模型建立中隱含的各種假定，因此，直接在現實世界中測試模型很重要。先在小范圍內應用，取得測試數據，覺得滿意之後再向大范圍推廣。
7、實施
模型建立並經驗證之後，可以有兩種主要的使用方法。第一種是提供給分析人員做參考；另一種是把此模型應用到不同的數據集上。
免費學習視頻分享：編程入門