直接數(shù)據(jù)挖掘:目標是利用可用的數(shù)據(jù)建立一個模型，這個模型描述了剩余的數(shù)據(jù)和一個特定的變量(可以理解為數(shù)據(jù)庫中表的屬性，也就是列)。間接數(shù)據(jù)挖掘:不在目標中選擇具體變量，用模型描述；而是在所有變量之間建立一種關系。數(shù)據(jù)挖掘的方法神經(jīng)網(wǎng)絡方法神經(jīng)網(wǎng)絡由于其良好的魯棒性、自組織和自適應性、并行處理、分布式存儲和高容錯性，非常適合解決數(shù)據(jù)挖掘問題，近年來受到越來越多的關注。

遺傳算法因其隱含的并行性和易于與其他模型結合而被應用于數(shù)據(jù)挖掘。決策樹方法決策樹是預測模型中常用的一種算法，通過有目的地對大量數(shù)據(jù)進行分類，發(fā)現(xiàn)一些有價值和潛在的信息。其主要優(yōu)點是描述簡單，分類速度快，特別適合大規(guī)模數(shù)據(jù)處理。粗糙集理論是一種研究不精確和不確定知識的數(shù)學工具。粗糙集方法有幾個優(yōu)點:它不需要給出額外的信息；簡化輸入信息的表達空間；該算法簡單，易于操作。

數(shù)據(jù)挖掘的核心是對數(shù)據(jù)建模的過程。所有的數(shù)據(jù)挖掘產(chǎn)品都有這個建模過程，不同的是它們構建模型的方式不同。在數(shù)據(jù)挖掘中可以使用許多不同的算法。決策樹是一種經(jīng)常使用的技術，它可以用來分析數(shù)據(jù)以及進行預測。常用的算法有CHAID、CART、ID3和C4.5，決策樹方法直觀，這是它最大的優(yōu)點。缺點是隨著數(shù)據(jù)復雜度的增加，分支數(shù)量增加，管理難度加大。

近年來，神經(jīng)網(wǎng)絡越來越受到人們的重視，因為它為解決大型復雜問題提供了一種相對有效和簡單的方法。神經(jīng)網(wǎng)絡常用于兩類問題:分類和回歸。它最大的優(yōu)點是能準確預測復雜問題。神經(jīng)網(wǎng)絡的缺點是網(wǎng)絡模型是黑箱，預測值難以理解；神經(jīng)網(wǎng)絡過度擬合。IBM、SAS、SPSS、HNC、ANGOSS等公司都是該產(chǎn)品的供應商。

Naive Bayes，這是一個簡單但極其強大的預測建模算法。它被稱為樸素貝葉斯，因為它假設每個輸入變量都是獨立的。* *這個假設很硬，在現(xiàn)實生活中根本不滿足，但是這個技術對于大多數(shù)復雜問題還是很有效的。貝葉斯原理、貝葉斯分類和樸素貝葉斯是有區(qū)別的。貝葉斯原理是最大的概念，解決了概率論中的“逆概率”問題。在這個理論的基礎上，人們設計了貝葉斯分類器。樸素貝葉斯分類器是貝葉斯分類器的一種，也是最簡單、最常用的分類器。

* *好在大多數(shù)情況下，樸素貝葉斯的分類效果還是不錯的。樸素貝葉斯分類器依賴于精確的自然概率模型，在監(jiān)督學習樣本集中可以達到非常好的分類效果。在許多實際應用中，樸素貝葉斯模型的參數(shù)估計采用最大似然估計方法，換句話說，樸素貝葉斯模型可以在沒有貝葉斯概率或任何貝葉斯模型的情況下工作。樸素貝葉斯分類常用于文本分類，特別是對于英語等語言，分類效果非常好。

眾所周知，數(shù)據(jù)挖掘有很多算法，不同的算法有不同的優(yōu)勢，在數(shù)據(jù)挖掘領域產(chǎn)生了深遠的影響。那么你知道數(shù)據(jù)挖掘中有哪些經(jīng)典的算法嗎？在本文中，我們將介紹數(shù)據(jù)挖掘中的三種經(jīng)典算法。希望這篇文章能更好的幫助你。1.KMeans算法KMeans algorithm算法是一種聚類算法，將n個對象按照屬性分成k段，k大于n。

它假設對象屬性來自空間向量，目標是最小化每個組內的均方誤差之和。這種算法在數(shù)據(jù)挖掘中很常見，2.支持向量機(Supportvectormachines)和支持向量機(support vector machines)都是支持向量機，簡稱SV機(本文統(tǒng)稱為SVM)。它是一種監(jiān)督學習方法，廣泛應用于統(tǒng)計分類和回歸分析，支持向量機將向量映射到一個更高維的空間，在這個空間中建立一個具有最大區(qū)間的超平面。