什么是数据挖掘

数据挖掘是一个从大量、不完全、有噪声、模糊且随机的数据中提取隐含的、事先未知但又潜在有用的信息和知识的过程。它融合了多种技术，旨在揭示数据背后的隐藏模式、趋势和关联性。

从起源来看，数据挖掘一词起源于数据库中的知识发现。1989 年 8 月，在美国底特律市召开的第 11 届国际人工智能联合会议上首次提出了知识发现 KDD（Knowledge Discovery in Database）的概念。1995 年，在加拿大召开的第一届知识发现和数据挖掘国际学术会议上，数据挖掘一词开始流传开来。1997 年，亚太地区召开一年一度的数据挖掘会议，标志着数据挖掘进入了发展阶段。1998 年成立数据库中的知识发现专业组。

数据挖掘可以针对任何类型的数据库进行，包括传统的关系数据库、文本数据库、Web 数据库等，发现的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。

数据挖掘的过程较为复杂，主要包括以下几个阶段：

数据预处理阶段：

数据清理：对不完整、不明确、大量且具有很大随机性的实际应用数据进行清洗，包括清除噪声、推导计算填补缺省和不完整数据、修正异常数据和清除重复数据。

数据集成：把来源不同、格式不同、特点和性质也不相同的数据进行物理上或逻辑上的有机集中。

数据选择：根据任务目标，从集成好的、包含大量数据的数据集合中确定关注的目标数据，将其抽取出来，得到具体挖掘任务的相应操作对象。

数据变换：根据知识发现的要求将数据进行再处理，将数据转换成合适被挖掘的数据形式，进行数据降维，找出真正有用的特征或变量表示数据。

数据挖掘阶段：

确定数据挖掘的目标，根据用户需求发现的知识类型，为选择合适数据挖掘算法提供依据。

选择算法，根据数据本身的特点和预期实现的功能，选择对应的算法和模型，从数据中提取隐含的模型，可选方法包括回归分析、分类、聚类、决策树、神经网络和 Web 挖掘等，它们各自侧重于以不同的角度对数进行分析和挖掘。

使用选择的算法，从数据中提取用户感兴趣的知识。

结果的评估与表示阶段：

对数据挖掘的产生的知识进行评估，去除冗余的和无用的知识。

对挖掘出的知识进行解释，将其转换成能够最终被用户理解的知识，发现的知识应当用高级语言、可视化表示形式或其他表示形式表示，使知识易于理解，能够直接被人使用，这要求系统采用有表达能力的知识表示技术，如树、图、图标、交叉表、矩阵或曲线。

数据挖掘的方法也多种多样：

分类和回归技术：这两种方法是数据挖掘中使用最多最频繁的两种。要想良好地使用分类技术要提前明确数据的类别。回归分析是用属性的历史数据预测未来的趋势，找出各个数据间的相关关系。

聚类分析：从大体上讲就是根据数据之间的相似之处进行数据分类。它是在没有明确数据类别前提下进行的。

关联规则：应用最为广泛的数据挖掘技术，是从错综复杂的数据中发现事物之间可能存在的关联或者联系，这些关系比较隐晦。

时序模式：与时序模式与回归模式有许多相似之处，但不同于的时序模式的属性值是随时间变化的。因而考虑的是复杂多变的数据在时间维度的关系。

异常检测：又称为偏差检测，主要用来发现与其他大部分对象不同的异常或者变化。异常检测在金融诈骗中发挥着巨大作用。

此外，根据关联规则，又能实现时序数据挖掘、空间序列数据挖掘和不确定数据挖掘等。空间数据挖掘分为描述性、解释型和预测型，能够实现将空间现象分布特征化、处理空间关系、预测另外的属性等。时序数据挖掘中，时序数据是与时间有关的一系列数据，可以进一步分为时间相关数据和序列相关数据，时间相关数据与数据产生的绝对时间有关，如银行账务、股票价格、设备运行日志等。