数据库挖掘数据挖掘的方法有哪些？

什么是数据挖掘？概念是什么？

数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。

? 数据挖掘所得到的信息应具有先前未知，有效和可实用三个特征。

? 先前未知的信息是指该信息是预先未曾预料到的。

? 数据挖掘是要发现那些不能靠直觉发现的信息或知识，甚至是违背 直觉的信息或知识。

? 挖掘出的信息越是出乎意料，就可能越有价值

数据挖掘专业

数据挖掘专业是一个很不错的专业，数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。

它是数据库知识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。

数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。

数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。

什么是数据挖掘？数据挖掘怎么做啊？

关于什么是数据挖掘，很多学者和专家给出了不同的定义，以下我们列出几种常见的说法： “简单地说，数据挖掘是从大量数据中提取或‘挖掘’知识。

该术语实际上有点用词不当。

数据挖掘应当更正确地命名为‘从数据中挖掘知识’，不幸的是它有点长。

许多人把数据挖掘视为另一个常用的术语‘数据库中知识发现’或KDD的同义词。

而另一些人只是把数据挖掘视为数据库中知识发现过程的一个基本步骤。

” ——《数据挖掘：概念与技术》（J. Han and M. Kamber） “数据挖掘就是对观测到的数据集（经常是很庞大的）进行分析，目的是发现未知的关系和以数据拥有者可以理解并对其有价值的新颖方式来总结数据。

”——《数据挖掘原理》（David Hand, et al） “运用基于计算机的方法，包括新技术，从而在数据中获得有用知识的整个过程，就叫做数据挖掘。

”——《数据挖掘－－概念、模型、方法和算法》（Mehmed Kantardzic） “数据挖掘，简单地说，就是从一个数据库中自动地发现相关模式。

”——《构建面向CRM的数据挖掘应用》（Alex Berson, et al） “数据挖掘(DM)是从大型数据库中将隐藏的预测信息抽取出来的过程。

”——《数据挖掘：机遇与挑战》（John Wang） 而作为数据挖掘领域的华人第一人，韩家炜教授在《数据挖掘：概念与技术》的教学幻灯片中，给出一个更清晰的定义：“数据挖掘，就是从大型数据库中抽取有意义的（非平凡的，隐含的，以前未知的并且是有潜在价值的）信息或模式的过程。

” 这里我们可以看到数据挖掘具有以下几个特点： 基于大量数据：并非说小数据量上就不可以进行挖掘，实际上大多数数据挖掘的算法都可以在小数据量上运行并得到结果。

但是，一方面过小的数据量完全可以通过人工分析来总结规律，另一方面来说，小数据量常常无法反映出真实世界中的普遍特性。

非平凡性：所谓非平凡，指的是挖掘出来的知识应该是不简单的，绝不能是类似某著名体育评论员所说的“经过我的计算，我发现了一个有趣的现象，到本场比赛结束为止，这届世界杯的进球数和失球数是一样的。

非常的巧合！”那种知识。

这点看起来勿庸赘言，但是很多不懂业务知识的数据挖掘新手却常常犯这种错误。

隐含性：数据挖掘是要发现深藏在数据内部的知识，而不是那些直接浮现在数据表面的信息。

常用的BI工具，例如报表和OLAP，完全可以让用户找出这些信息。

新奇性：挖掘出来的知识应该是以前未知的，否则只不过是验证了业务专家的经验而已。

只有全新的知识，才可以帮助企业获得进一步的洞察力。

价值性：挖掘的结果必须能给企业带来直接的或间接的效益。

有人说数据挖掘只是“屠龙之技”，看起来神乎其神，却什么用处也没有。

这只是一种误解，不可否认的是在一些数据挖掘项目中，或者因为缺乏明确的业务目标，或者因为数据质量的不足，或者因为人们对改变业务流程的抵制，或者因为挖掘人员的经验不足，都会导致效果不佳甚至完全没有效果。

但大量的成功案例也在证明，数据挖掘的确可以变成提升效益的利器。

“数据挖掘”这个术语是在什么时候被大家普遍接受的，已经难以考证，大约在上世纪90年代开始兴起。

其中还有一段趣话。

在科研界，最初一直沿用“数据库中的知识发现”（即KDD，Knowledge Discovery in Database）。

在第一届KDD国际会议中，委员会曾经展开讨论，是继续沿用KDD，还是改名为Data Mining（数据挖掘）？最后大家决定投票表决，采纳票数多的一方的选择。

投票结果颇有戏剧性，一共14名委员，其中7位投票赞成KDD，另7位赞成Data Mining。

最后一位元老提出“数据挖掘这个术语过于含糊，做科研应该要有知识”，于是在科研界便继续沿用KDD这个术语。

而在商用领域，因为“数据库中的知识发现”显得过于冗长，就普遍采用了更加通俗简单的术语——“数据挖掘”。

严格地说，数据挖掘并不是一个全新的领域，它颇有点“新瓶装旧酒”的意味。

组成数据挖掘的三大支柱包括统计学、机器学习和数据库等领域内的研究成果，其它还包含了可视化、信息科学等内容。

数据挖掘纳入了统计学中的回归分析、判别分析、聚类分析以及置信区间等技术，机器学习中的决策树、神经网络等技术，数据库中的关联分析、序列分析等技术。

数据挖掘基本步骤

如果把数据挖掘广义的理解为从数据中获得有用信息的过程，那么数据挖掘可分为：“数据收集--数据预处理--形成目标数据--选择挖掘方法--数据挖掘处理--挖掘结果评估--获得结果” 这样几个阶段。

如果没有获得满意结果，可以根据情况返回到之前的任何一步重新进行。

数据挖掘的方法有哪些？

1、分类分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。

它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。

2、回归分析回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。

它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。

3、聚类聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。

它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。

4、关联规则关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。

在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。

5、特征特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。

如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。

6、变化和偏差分析偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。

在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。

意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。