数据挖掘：概念与技术 自学章节总结（一）

1.什么是数据挖掘（Knowledge Discovery in Database）?
数据挖掘是从大量数据中挖掘有趣模式和知识的过程。数据源包括数据库、数据仓库、Web、其他信息存储库或动态地流入系统的数据。

数据挖掘可以视为数据中的知识发现，知识发现的过程由以下步骤的迭代序列组成：
1-数据清理（消除噪声和删除不一致数据）；
2-数据集成（多种数据源可以组合在一起）；
3-数据选择（从数据库中提取与分析任务相关的数据）；
4-数据变换（通过汇总或聚集操作，把数据变换和统一成适合挖掘的形式）；
5-数据挖掘（基本步骤，使用智能方法提取数据模式）；
6-模式评估（根据某种兴趣度度量，识别代表知识的真正有趣的模式。）
7-知识表示（使用可视化和只是表示技术，向用户提供挖掘的知识）。

2.数据挖掘模式：
有趣的模式表示知识。一个模式是有趣的，如果它：1-易于被人理解；2-在某种置信度上，对于新的或检验数据都是有效的；3-是潜在有用的（例如，可以据之行动，或者验证了用户关注的某种预感）；4-是新颖的。一个模式的有趣与否需要结合客观度量和客户的主观度量。
2-1-类/概念描述：特征化（data charaterization）与区分(data discrimination)（如数据立方体的OLAP上卷和下钻形式）。
2-2-频繁模式（frequency pattern）。挖掘频繁模式以发现数据中有趣的关联和相关性。
2-3-用于预测分析的分类和回归。用于预测类标号未知对象的类标号。
2-4-聚类分析，根据数据组群相似性进行聚类或分组。
2-5-离群点分析，罕见的事件可能比正常出现的事件更令人感兴趣，包含更大的信息量，离群点数据分析称离群点分析或异常挖掘。

（详细的模式总结会在后序章节持续更新……）

3.数据挖掘能做什么？
数据挖掘作为一个应用驱动的学科，在许多应用中获得巨大的成功，非常成功和流行的例子如：商务智能，搜索引擎。
对于商务，较好地理解分析顾客、市场和竞争对手的商务背景至关重要，商务智能（BI）技术提供商务运作的历史、现状、和预测视图。例