开展数据挖掘的基本目的是

聚类分析可以建立宏观概念，发现数据的分布模式和数据属性之间可能的关系。3.分类就是找出一个类别的概念描述，这个概念描述代表了这个类别的整体信息数据，也就是这个类别的内涵描述，并利用这个描述构造一个模型，一般用规则或者决策树来表示。分类就是用training 数据 set通过一定的算法得到分类规则。分类可用于规则描述和预测。4.预测就是利用历史数据找出变化规律，建立模型，通过这个模型预测未来数据的类型和特征。

数据挖掘(数据挖掘)就是从大量的不完整的、有噪声的、模糊的、随机的数据中提取出人们事先不知道的、但潜在有用的信息和知识。数据挖掘Object根据信息存储格式，北京大学青鸟云南计算机学院认为用于挖掘的对象与数据 library相关，面向对象数据 library，数据 warehouse，text 数据 source

数据准备:数据准备包括:选择数据_提取自大数据储存库和数据仓库目标。数据预处理_执行数据重新处理，包括检查数据的完整性和数据的一致性，去噪，填充缺失字段和删除无效-2。数据 挖掘:根据数据的函数类型和数据的特性，选择相应的算法，在提纯转换后的数据集合上进行。结果分析:对数据 挖掘的结果进行解释和评价，并转化为用户最终能够理解的知识。

fine bi数据挖掘的结果会以字段和记录的形式添加到多维数据库中，在创建新的分析时可以从专门的数据挖掘business包中下载。借助FineBI在分析中的新控件和图表，使用OLAP的分析师可以轻松查看他们想要的特定控件和结果，或各种结果的摘要。分类、回归、时间序列分析、预测、聚类、汇总、关联规则、序列发现。5、什么是 数据 挖掘? 数据 挖掘怎么做啊

关于什么是数据 挖掘，很多学者专家给出了不同的定义。这里我们列举几种常见的说法:“简而言之，数据 挖掘是来自于大量的/123。这个术语实际上有点用词不当。数据 挖掘应该更正确地命名为‘丛数据钟挖掘知识’，可惜有点长。很多人把数据 挖掘看成是另一个常用词数据数据库中的知识发现或者是KDD的代名词。还有的只是把数据 挖掘作为数据中知识发现过程的一个基本步骤。

"数据挖掘Principle "(David hand，etal)"在数据中获取有用知识的整个过程称为数据。数据挖掘-概念、模型、方法和算法”(Mehmedkantardzic)"数据挖掘，总之从a。

所谓数据 挖掘是指从大量数据 你可以选择数据快速创建表格或图表使数据可视化添加始于1989年的筛选条件数据 挖掘是从大量数据中提取潜在的、有价值的知识(模型或规则)的过程。

1) 数据 挖掘可以做以下六种不同的事情(分析方法):分类、估计、预测、亲和分组或关联规则、聚类、描述和可视化(描述和V可视化)2) 数据 挖掘以上六种分析方法数据 -0可以分为两类:直接间接-2挖掘直接-2挖掘目标是利用可用的数据建立模型，这个模型对剩余的有用。

数据挖掘数据挖掘的六大功能虽然历史不长，但从90年代开始发展迅速，是多学科综合的产物。已经提出了数据 挖掘的许多定义，例如SAS研究所(1997):“基于大量相关性探索和建立相关性模型的高级方法数据”。hande tal(2000):“数据挖掘是在一个大的数据库中搜索有意义、有价值信息的过程”，确切地说是数据。又称数据knowledge discovery indatabase(KDD)，是指从大型数据 database或数据 warehouse中提取隐含的、未知的、非平凡的、潜在适用的信息或模式。是数据 library研究中极具应用价值的新领域，融合了数据 library、人工智能、机器学习、统计学等领域的理论和技术。

定义问题常识发现之前第一个也是最重要的要求是理解数据和交易问题。要对政策有一个明确的定义，就是决定自己真正想做什么。建立数据发掘文库建立数据发掘文库包括以下过程:数据收集、数据描述、选择、数据质量评价和/123。解析数据的目的是找到对猜测输出影响最大的数据字段，决定是否需要定义导出字段。

准备数据这是建模前的最后一步数据准备。这个过程可以分为四个部分:选择变量、选择记录、创建新变量和转换变量。建模建模是一个迭代的过程。有必要仔细检查不同的模型，以确定哪种模型对所面临的业务问题最有用。先用数据的一部分建立模型，再用剩余的数据对得到的模型进行测试验证。

分类就是在一组类别标签已知的样本中训练一个分类器，使其能够对一个未知样本进行分类。分类算法的分类过程是建立一个分类模型来描述预先确定的数据集合或概念集合，通过分析属性所描述的数据库元组来构造模型，分类目的是:对输入数据进行分析，通过训练集中数据的特征，为每一类找到准确的描述或模型。这种描述通常用谓词来表达。