随着信息时代的步伐不断迈进，大量数据日积月累我们迫切需要一种工具来满足从数据中发现知识的需求而数据挖掘便应运而生了正如书中所说数据挖掘已经并且将继续在我们从数据时代大步跨入信息时代的历程中做出贡献数据。

1概念主成分分析概念主成分分析是把原来多个变量划为少数几个综合指标的一种统计分析方法主成分分析PCA是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分PCA的目标。

43 基于模型的聚类算法 为每簇假定了一个模型，寻找数据对给定模型的最佳拟合，同一”类“的数据属于同一种概率分布，即假设数据是根据潜在的概率分布生成的主要有基于统计学模型的方法和基于神经网络模型的方法，尤其以。

6Web数据挖掘Web数据挖掘是一项综合性技术，指Web 从文档结构和使用的**C 中发现隐含的模式P，如果将C看做是输入，P 看做是输出，那么Web 挖掘过程就可以看做是从输入到输出的一个映射过程当前越来越多的Web数据。

数据挖掘总结之分类与聚类的区别 分类与聚类的区别 Classification 分类一个 classifier会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做 supervised learning 监督学习。

基于大量数据并非说小数据量上就不可以进行挖掘，实际上大多数数据挖掘的算法都可以在小数据量上运行并得到结果但是，一方面过小的数据量完全可以通过人工分析来总结规律，另一方面来说，小数据量常常无法反映出真实世界中的。

很多人会问数据挖掘的目的是什么呢我们总结数据挖掘主要有以下三个目的1把握趋势和模式通过分析网购交易的记录数据呼叫中心内的投诉数据顾客满意度的调查数据购物数据等，可以把把握顾客的购买意愿和类型。

数据挖掘综合了各个学科技术，有很多的功能，当前的主要功能如下1数据总结继承于数据分析中的统计分析数据总结目的是对数据进行浓缩，给出它的紧凑描述传统统计方法如求和值平均值方差值等都是有效方法另外还。

数据挖掘Data Mining是指通过大量数据集进行分类的自动化过程，以通过数据分析来识别趋势和模式，建立关系来解决业务问题换句话说，数据挖掘是从大量的不完全的有噪声的模糊的随机的数据中提取隐含在其中的人们。

数据挖掘是从大量的不完全的有噪声的模糊的随机的数据中提取隐含在其中的人们事先不知道的但又是潜在有用的信息和知识的过程数据挖掘流程定义问题清晰地定义出业务问题，确定数据挖掘的目的数据准备。

数据挖掘技术主要有决策树 神经网络 回归 关联规则 聚类 贝叶斯分类6中1决策树技术决策树是一种非常成熟的普遍采用的数据挖掘技术在决策树里，所分析的数据样本先是集成为一个树根，然后经过层层分枝。

1什么是数据挖掘数据挖掘Data Mining是采用数学的统计的人工智能和神经网络等领域的科学方法，如记忆推理聚类分析关联分析决策树神经网络基因算法等技术，从大量数据中挖掘出隐含的先前未知的对决策有。

2数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程3数据挖掘涉及到很多的算法，是从海量数据中找到有意义的模式或知识想要了解更多有关大数据。

在数据分析中，数据挖掘工作是一个十分重要的工作，可以说，数据挖掘工作占据数据分析工作的时间将近一半，由此可见数据挖掘的重要性，要想做好数据挖掘工作需要掌握一些方法，那么数据挖掘的常用方法都有哪些呢下面就由小编为。

数据分析与数据挖掘的目的不一样，数据分析是有明确的分析群体，就是对群体进行各个维度的拆分组合，来找到问题的所在，而数据发挖掘的目标群体是不确定的，需要我们更多是是从数据的内在联系上去分析，从而结合业务用户。

我们可以看到数据挖掘具有以下几个特点基于大量数据并非说小数据量上就不可以进行挖掘，实际上大多数数据挖掘的算法都可以在小数据量上运行并得到结果但是，一方面过小的数据量完全可以通过人工分析来总结规律，另一方面来。