什么是數(shù)據(jù)挖掘？數(shù)據(jù)挖掘是一種處理數(shù)據(jù)和提取數(shù)據(jù)之間關(guān)系的技術(shù)。本文研究了數(shù)據(jù)挖掘算法和數(shù)據(jù)挖掘技術(shù)的應(yīng)用，數(shù)據(jù)挖掘怎么做？數(shù)據(jù)挖掘工具有哪些？數(shù)據(jù)挖掘應(yīng)該更正確地命名為“從數(shù)據(jù)中挖掘知識”，不幸的是它有點(diǎn)長，數(shù)據(jù)挖掘十大算法——整理一夜中的數(shù)據(jù)挖掘算法，主要引用自wiki和一些論壇。

Kmeans算法是最經(jīng)典的基于劃分的聚類方法，也是十大經(jīng)典數(shù)據(jù)挖掘算法之一。Kmeans算法的基本思想是:圍繞空間中的k個點(diǎn)進(jìn)行聚類，并對與其最接近的物體進(jìn)行分類。通過迭代方法，不斷更新每個聚類中心的值，直到獲得最佳聚類結(jié)果。聚類屬于無監(jiān)督學(xué)習(xí)。在過去，回歸，樸素貝葉斯，SVM等。都有類別標(biāo)簽Y，也就是說樣本的分類已經(jīng)給定了。

擴(kuò)展數(shù)據(jù):k聚類使得到的聚類滿足以下要求:同一聚類內(nèi)的對象相似度高；然而，不同簇中的對象的相似性很小。聚類相似度是通過使用每個聚類中對象的平均值來計(jì)算的，以獲得一個“中心對象”(重心)。(1)適當(dāng)選擇C類的初始中心；(2)在第k次迭代中，求任意樣本到c個中心的距離，將該樣本歸入距離最短的中心所在的類；(3)通過均值等方式更新該類的中心值。

國際權(quán)威學(xué)術(shù)組織的數(shù)據(jù)挖掘(ICDM)122006IEEE經(jīng)典數(shù)據(jù)挖掘算法在IEEE國際會議上評選:C4.5、K-means、SVM、prior、EM的PageRank、AdaBoost的樸素貝葉斯、KNN、CART，不僅評選出了10個算法，實(shí)際上18個算法的評選也只是想出一個。

聚類分析是一種探索性分析。在分類的過程中，人們不需要事先給出一個分類標(biāo)準(zhǔn)，聚類分析可以從樣本數(shù)據(jù)中自動分類。數(shù)據(jù)挖掘是一種處理數(shù)據(jù)和提取數(shù)據(jù)之間關(guān)系的技術(shù)。做數(shù)據(jù)挖掘可以分為兩種，一種是基于算法研究和程序?qū)崿F(xiàn)，一種是基于數(shù)據(jù)挖掘軟件。關(guān)聯(lián)規(guī)則是指通過對數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行分析，從一個數(shù)據(jù)對象的信息中推斷出另一個數(shù)據(jù)對象的信息，并找到一個重復(fù)出現(xiàn)概率高的知識模式。一個帶有置信因子的參數(shù)經(jīng)常被用來描述這種不確定的關(guān)系。

關(guān)聯(lián)規(guī)則是用來發(fā)現(xiàn)統(tǒng)計(jì)數(shù)據(jù)之間的潛在聯(lián)系。如果想進(jìn)一步了解三者之間的關(guān)系，建議咨詢CDA數(shù)據(jù)分析師。CDA課程內(nèi)容兼顧了解決數(shù)據(jù)挖掘過程問題的橫向能力和解決數(shù)據(jù)挖掘算法問題的縱向能力的培養(yǎng)。要求學(xué)生從數(shù)據(jù)治理的根源思考，通過數(shù)字化的工作方法探索業(yè)務(wù)問題，然后通過近因分析和宏觀根本原因分析選擇業(yè)務(wù)流程優(yōu)化工具或算法工具，而不是“遇到問題就調(diào)整算法包”。

數(shù)據(jù)挖掘算法與技術(shù)應(yīng)用研究論文摘要:數(shù)據(jù)挖掘是從大量不完整、有噪聲、模糊、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中發(fā)現(xiàn)隱含的、有規(guī)律的、未知的但潛在有用的、最終可理解的信息和知識的非凡過程。任何需要數(shù)據(jù)管理和知識發(fā)現(xiàn)的地方都可以使用數(shù)據(jù)挖掘技術(shù)來解決問題。本文對數(shù)據(jù)挖掘算法和數(shù)據(jù)挖掘技術(shù)的應(yīng)用進(jìn)行了研究。