數據挖掘的六大主要功能

數據挖掘的歷史雖然較短，但從20世紀90年代以來，它的發展速度很快，加之它是多學科綜合的產物，目前還沒有一個完整的定義，人們提出了多種數據挖掘的定義，例如：SAS研究所（1997）：“在大量相關數據基礎之上進行數據探索和建立相關模型的先進方法”。Hand et al（2000）：“數據挖掘就是在大型數據庫中尋找有意義、有價值信息的過程”確切地說，數據挖掘（Data Mining），又稱數據庫中的知識發現（Knowledge Discovery in Database，KDD），是指從大型數據庫或數據倉庫中提取隱含的、未知的、非平凡的及有潛在應用價值的信息或模式，它是數據庫研究中的一個很有應用價值的新領域，融合了數據庫、人工智能、機器學習、統計學等多個領域的理論和技術。
 

  數據挖掘的主要功能
   數據挖掘綜合了各個學科技術，有很多的功能，當前的主要功能如下：
    1、數據總結：繼承于數據分析中的統計分析。數據總結目的是對數據進行濃縮，給出它的緊湊描述。傳統統計方法如求和值、平均值、方差值等都是有效方法。另外還可以用直方圖、餅狀圖等圖形方式表示這些值。廣義上講，多維分析也可以歸入這一類。
    2、分類：目的是構造一個分類函數或分類模型（也常常稱作分類器），該模型能把數據庫中的數據項映射到給定類別中的某一個。要構造分類器，需要有一個訓練樣本數據集作為輸入。訓練集由一組數據庫記錄或元組構成，每個元組是一個由有關字段（又稱屬性或特征）值組成的特征向量，此外，訓練樣本還有一個類別標記。一個具體樣本的形式可表示為：（v1，v2，…，vn；c），其中vi表示字段值，c表示類別。
    例如：銀行部門根據以前的數據將客戶分成了不同的類別，現在就可以根據這些來區分新申請貸款的客戶，以采取相應的貸款方案。
    3、聚類：是把整個數據庫分成不同的群組。它的目的是使群與群之間差別很明顯，而同一個群之間的數據盡量相似。這種方法通常用于客戶細分。在開始細分之前不知道要把用戶分成幾類，因此通過聚類分析可以找出客戶特性相似的群體，如客戶消費特性相似或年齡特性相似等。在此基礎上可以制定一些針對不同客戶群體的營銷方案。
    例如：將申請人分為高度風險申請者，中度風險申請者，低度風險申請者。
    4、關聯分析：是尋找數據庫中值的相關性。兩種常用的技術是關聯規則和序列模式。關聯規則是尋找在同一個事件中出現的不同項的相關性；序列模式與此類似，尋找的是事件之間時間上的相關性，例如：今天銀行利率的調整，明天股市的變化。
    5、預測：把握分析對象發展的規律，對未來的趨勢做出預見。例如：對未來經濟發展的判斷。
    6、偏差的檢測：對分析對象的少數的、極端的特例的描述，揭示內在的原因。例如：在銀行的100萬筆交易中有500例的欺詐行為，銀行為了穩健經營，就要發現這500例的內在因素，減小以后經營的風險。
    以上數據挖掘的各項功能不是獨立存在的，它們在數據挖掘中互相聯系，發揮作用。