数据挖掘，是从大量数据中挖掘出隐含的，先前未知的。对决策有潜在价值的关系、模式和趋势，并用这些知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。

1，数据挖掘的基本任务

利用分类与预测，聚类分析、关联规则、时序模式、偏差检测、智能推荐等方法。

数据挖掘建模过程：

1-1， 定义挖掘的目标

针对具体的数据挖掘应用需求，首先要明确你的目标。

分析应用领域，弄清用户需求。

要充分发挥数据挖掘的价值，必须对目标有一个清晰明确的定义。

1-2 ，数据取样

从业务系统中抽取出一个与挖掘目标相关的样本数据子集。

• 相关性
• 可靠性
• 有效性

确保你的原始数据的准确性。

1-3 数据探索

拿到样本数据集后，我们可以先对样本进行预先探索

• 是否达到我们原来设想的要求，
• 样本中有没有什么明显的规律和趋势
• 有没有出现从未设想过的数据状态
• 属性之间有什么相关性

1-4 ，数据预处理

由于采样数据中常常包含许多噪声、不完整，甚至不一致的数据，对数据挖掘所涉及的数据对象必须进行预处理。

1-5 挖掘建模

样本抽取完成并经预处理之后，接下来要考虑的问题是：

本次建模属于数据挖掘应用中的那类问题，

• 分类，聚类，关联规则，时序模式，智能推荐
• 选用哪种算法进行模型构建

1-6，模型评价

从模型中寻找到最好的模型。

根据业务对模型进行解释和应用。