数据挖掘（1）——引入

数据挖掘（1）- 引入
数据挖掘（2）- 数据
数据挖掘（3）- 分类
数据挖掘（4）- 关联分析
数据挖掘（5）- 聚类分析
数据挖掘（6）- 异常检测

1、什么是数据挖掘

数据挖掘是一种再大型数据存储库中，自动地发现有用信息的过程的技术，它将传统的数据分析方法与处理大数据的复杂算法相结合。

这时，我们可能会混淆数据分析和数据挖掘（毕竟都是处理数据，提取有用信息），但是两者有很明显的区别：
（1）数据分析是对数据本身且按照一定约束对数据进行整理、筛选、加工，由此得到信息。而大数据挖掘指对大数据数据分析手段后的信息，进行价值化的分析，不再关注数据本身且没有约束性假设，是一种自动获取信息的技术；
（2）数据分析对结果进行解释，呈现出有效信息，数据挖掘的结果不容易解释，对信息进行价值评估，着眼于预测未来，并提出决策性建议。
看到非常有总结性的一句话：数据分析是把数据变成信息的工具，数据挖掘是把信息变成认知的工具，如果我们想要从数据中提取一定的规律（即认知）往往需要数据分析和数据挖掘结合使用。

2、数据挖掘任务

数据挖掘任务可以分为两大类：
（1）预测任务：其目标是根据其他属性的值，预测特定属性的值。
（2）描述任务：其目标是到处概况数据中潜在联系的模式（相关、趋势、聚类、轨迹和异常）

具体的可以分为以下四种主要的数据挖掘任务：
（1）预测建模：以说明变量函数的方式为目标变量建立模型（分类、回归）。 例如：使用历史纪录预测某公司未来的股票价格。
（2）关联分析：用来发现描述数据中强关联特征的模型。 例如：购物篮分析。
（3）聚类分析：旨在发现紧密相关的观测值组群，使得与属于不同簇的观测值相互之间尽可能类似。
（4）异常检测：识别某特征显著不同于其他数据的观测值(异常点/离群点)。 例如：监视地震活动的地震波。

有个习题：假定你是一个数据挖掘顾问，受雇于一个因特网搜索引擎公司。举例说明如何使用诸如聚类、分类、关联规则挖掘和异常检测等技术，让数据挖掘为公司提供帮助。
答：聚类可以帮助公司对于刻画多种用户模型；
       \space\space\space\space\space\space       分类可以预测用户对不同话题是否感兴趣；
       \space\space\space\space\space\space       关联规则可以发现一些特定的查询是否有很大的概率紧随其他查询，允许高效率缓存；
       \space\space\space\space\space\space       异常检测可以发现不同寻找用户使用模式，发现突然流行的一个话题。