1.数据挖掘导引

     Data Mining 概述：是指通过系统分析从大量数据中提取隐藏于其中的规律，并用这些规律来预测未来或指导未来工作的科学。

      过程：

1.数据准备。

  a.数据集成。（提取数据，处理数据中的遗漏和清洗）

b.数据选择。（选择自己感兴趣的数据，缩小范围，提高数据挖掘的质量）

c.数据预处理。（检查数据的完整性和一致性，消除噪声）

2.数据挖掘。（利用机器学习，统计分析等方法，发现有用的模式或知识）

a.确定挖掘目标。

b.选择算法。

c.数据挖掘。

3.结果的表达与解释。

a.模式评估。（是否能达到用户的要求，或者自己的预期）

b.知识表示。（运用可视化知识及其它方式，展示结果）

      方法：

1.分类。

预测的变量是离散的，就称为分类；如果是连续的，就称为回归。

方法有：决策树，朴素贝叶斯（NBC），逻辑回归，神经网络等。

2.聚类。

统计分析方法，机器学习方法，神经网络方法等

3.关联。

目的在于产生部分数据的概要，找到某些关联关系。

4.预测。

利用历史数据找到变化规律，建立模型，并用其模型来预测未来数据的种类、特征等。

主要方法是回归分析。