数据挖掘——哪里下得到数据？

“数据挖掘”是指什么？！

数据挖掘是从大量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程。 1。 数据挖掘能做什么？ 1)数据挖掘能做以下六种不同事情（分析方法）： · 分类 （Classification） · 估值（Estimation） · 预言（Prediction） · 相关性分组或关联规则（Affinity grouping or association rules） · 聚集（Clustering） · 描述和可视化（Des cription and Visualization） 2)数据挖掘分类 以上六种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘 · 直接数据挖掘 ...全部

   数据挖掘是从大量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程。 1。 数据挖掘能做什么？ 1)数据挖掘能做以下六种不同事情（分析方法）： · 分类 （Classification） · 估值（Estimation） · 预言（Prediction） · 相关性分组或关联规则（Affinity grouping or association rules） · 聚集（Clustering） · 描述和可视化（Des cription and Visualization） 2)数据挖掘分类 以上六种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘 · 直接数据挖掘 目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以 理解成数据库中表的属性，即列）进行描述。
   · 间接数据挖掘 目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系。 · 分类、估值、预言属于直接数据挖掘；后三种属于间接数据挖掘 3)各种分析方法的简介 · 分类 （Classification） 首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。
   例子：a。 信用卡申请者，分类为低、中、高风险 b。 分配客户到预先定义的客户分片 注意： 类的个数是确定的，预先定义好的 · 估值（Estimation） 估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的 输出；分类的类别是确定数目的，估值的量是不确定的。
   例子：a。 根据购买模式，估计一个家庭的孩子个数 b。 根据购买模式，估计一个家庭的收入 c。 估计real estate的价值 一般来说，估值可以作为分类的前一步工作。
  给定一些输入数据，通过估值，得到未知的 连续变量的值，然后，根据预先设定的阈值，进行分类。例如：银行对家庭贷款业务，运用估值，给各个客户记分（Score 0~1）。然后，根据阈值，将贷款级别分类。
   · 预言（Prediction） 通常，预言是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。
   预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。 · 相关性分组或关联规则（Affinity grouping or association rules）决定哪些事情将一起发生。
   例子： a。 超市中客户在购买A的同时，经常会购买B，即A => B(关联规则) b。 客户在购买A后，隔一段时间，会购买B （序列分析） · 聚集（Clustering） 聚集是对记录分组，把相似的记录在一个聚集里。
  聚集和分类的区别是聚集不依赖于预先 定义好的类，不需要训练集。 例子：a。 一些特定症状的聚集可能预示了一个特定的疾病 b。 租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群 聚集通常作为数据挖掘的第一步。
  例如，"哪一种类的促销对客户响应最好？"，对于这一 问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集， 回答问题，可能效果更好。 · 描述和可视化（Des cription and Visualization） 是对数据挖掘结果的表示方式。
   2。数据挖掘的商业背景 数据挖掘首先是需要商业环境中收集了大量的数据，然后要求挖掘的知识是有价值的。有价值对商业而言，不外乎三种情况：降低开销；提高收入；增加股票价格。 1)数据挖掘作为研究工具 （Research） 2)数据挖掘提高过程控制（Process Improvement） 3)数据挖掘作为市场营销工具（Marketing） 4)数据挖掘作为客户关系管理CRM工具(Customer Relationship Management) 3。
  数据挖掘的技术背景 1)数据挖掘技术包括三个主要部分：算法和技术；数据；建模能力 2)数据挖掘和机器学习（Machine Learning） · 机器学习是计算机科学和人工智能AI发展的产物 · 机器学习分为两种学习方式：自组织学习（如神经网络）；从例子中归纳出规则（如决策树） · 数据挖掘由来 数据挖掘是八十年代，投资AI研究项目失败后，AI转入实际应用时提出的。
  它是一个新兴 的，面向商业应用的AI研究。选择数据挖掘这一术语，表明了与统计、精算、长期从事预言模型的经济学家之间没有技术的重叠。 3)数据挖掘和统计 统计也开始支持数据挖掘。统计本包括预言算法（回归）、抽样、基于经验的设计等 4)数据挖掘和决策支持系统 · 数据仓库 · OLAP（联机分析处理）、Data Mart（数据集市）、多维数据库 · 决策支持工具融合将数据仓库、OLAP，数据挖掘融合在一起，构成企业决策分析环境。
   4。 数据挖掘的社会背景 数据挖掘与个人预言：数据挖掘号称能通过历史数据的分析，预测客户的行为，而事实上 ，客户自己可能都不明确自己下一步要作什么。所以，数据挖掘的结果，没有人们想象中神秘，它不可能是完全正确的。
   客户的行为是与社会环境相关连的，所以数据挖掘本身也受社会背景的影响。比如说，在美国对银行信用卡客户信用评级的模型运行得非常成功，但是，它可能不适合中国。收起