❶ 數據挖掘演算法有哪些
統計和可視化要想建立一個好的預言模型，你必須了解自己的數據。最基本的方法是計算各種統計變數（平均值、方差等）和察看數據的分布情況。你也可以用數據透視表察看多維數據。數據的種類可分為連續的，有一個用數字表示的值（比如銷售量）或離散的，分成一個個的類別（如紅、綠、藍）。離散數據可以進一步分為可排序的，數據間可以比較大小（如，高、中、低）和標稱的，不可排序（如郵政編碼）。圖形和可視化工具在數據准備階段尤其重要，它能讓你快速直觀的分析數據，而不是給你枯燥乏味的文本和數字。它不僅讓你看到整個森林，還允許你拉近每一棵樹來察看細節。在圖形模式下人們很容易找到數據中可能存在的模式、關系、異常等，直接看數字則很難。可視化工具的問題是模型可能有很多維或變數，但是我們只能在2維的屏幕或紙上展示它。比如，我們可能要看的是信用風險與年齡、性別、婚姻狀況、參加工作時間的關系。因此，可視化工具必須用比較巧妙的方法在兩維空間內展示n維空間的數據。雖然目前有了一些這樣的工具，但它們都要用戶「訓練」過他們的眼睛後才能理解圖中畫的到底是什麼東西。對於眼睛有色盲或空間感不強的人，在使用這些工具時可能會遇到困難。聚集（分群）聚集是把整個資料庫分成不同的群組。它的目的是要群與群之間差別很明顯，而同一個群之間的數據盡量相似。與分類不同（見後面的預測型數據挖掘），在開始聚集之前你不知道要把數據分成幾組，也不知道怎麼分（依照哪幾個變數）。因此在聚集之後要有一個對業務很熟悉的人來解釋這樣分群的意義。很多情況下一次聚集你得到的分群對你的業務來說可能並不好，這時你需要刪除或增加變數以影響分群的方式，經過幾次反復之後才能最終得到一個理想的結果。神經元網路和K-均值是比較常用的聚集演算法。不要把聚集與分類混淆起來。在分類之前，你已經知道要把數據分成哪幾類，每個類的性質是什麼，聚集則恰恰相反。關聯分析關聯分析是尋找資料庫中值的相關性。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，比如在一次購買活動中所買不同商品的相關性。序列模式與此類似，他尋找的是事件之間時間上的相關性，如對股票漲跌的分析。關聯規則可記為A==>B，A稱為前提和左部（LHS），B稱為後續或右部（RHS）。如關聯規則「買錘子的人也會買釘子」，左部是「買錘子」，右部是「買釘子」。要計算包含某個特定項或幾個項的事務在資料庫中出現的概率只要在資料庫中直接統計即可。某一特定關聯（「錘子和釘子」）在資料庫中出現的頻率稱為支持度。比如在總共1000個事務中有15個事務同時包含了「錘子和釘子」，則此關聯的支持度為1.5%。非常低的支持度（比如1百萬個事務中只有一個）可能意味著此關聯不是很重要，或出現了錯誤數據（如，「男性和懷孕」）。要找到有意義的規則，我們還要考察規則中項及其組合出現的相對頻率。當已有A時，B發生的概率是多少？也即概率論中的條件概率。回到我們的例子，也就是問「當一個人已經買了錘子，那他有多大的可能也會買釘子？」這個條件概率在數據挖掘中也稱為可信度，計算方法是求百分比：（A與B同時出現的頻率）/（A出現的頻率）。讓我們用一個例子更詳細的解釋這些概念： 總交易筆數（事務數）：1,000包含「錘子」：50包含「釘子」：80包含「鉗子」：20包含「錘子」和「釘子」：15包含「鉗子」和「釘子」：10包含「錘子」和「鉗子」：10包含「錘子」、「鉗子」和「釘子」：5 則可以計算出： 「錘子和釘子」的支持度=1.5%（15/1,000）「錘子、釘子和鉗子」的支持度=0.5%（5/1,000）「錘子==>釘子」的可信度=30%（15/50）「釘子==>錘子」的可信度=19%（15/80）「錘子和釘子==>鉗子」的可信度=33%（5/15）「鉗子==>錘子和釘子」的可信度=25%（5/20）
❷ 什麼是數據挖掘技術
數據挖掘技術是數據處理的技術，它有三個主要部分是演算法與技術、數據、建模能力，作用是對數據進行分析、挖掘和處理，得到最後的評估結果。它通常會有八個步驟來完成，先信息收集，再數據集成，然後數據規約，之後清理數據、變換數據、挖掘數據、評估模式、表示知識，並且整個過程是重復循環的。
什麼是數據挖掘技術
所謂數據挖掘技術簡單的理解就是處理數據的一種技術，它會用到仿生全局優化的演算法，是對信息進行手機、集成、規約、清理、變換和挖掘的過程。在數據挖掘時可能用到的軟體有SAS EM、modeler、k-miner、tempo等等。
數據挖掘技術包括三個主要的部分
它包含的演算法與技術、數據、建模能力三個主要部分。其中演算法是遺傳演算法，具有很高的隱含並行性，也容易和模型結合。數據則是主要的研究處理對象，它是不可缺少的。建模能力同樣非常重要，而整個過程里會用到的方法有統計分析、模糊集、覆蓋正例排斥反例等等。
數據挖掘技術的步驟有哪些
它的步驟通常分為八步：第一步是收集信息;第二步是集成數據;第三步是規約數據;第四步是清理數據;第五步是變換數據;第六步挖掘數據;第七步評估模式;第八步知識標識。如果其中一步的目標無法達到則要重新回到前面的一步，直到目標達成。
數據挖掘技術有什麼功能
它的功能非常非常多，比如管理大型的文本、圖像、音視頻、指紋信息等等，它還可以對資料庫進行構造和管理，讓數據變得可視化、易調用和處理。現在許多領域當中都會用到數據挖掘技術而它也是非常基礎的交叉學科之一。
❸ 知識挖掘類型
市場上的知識挖掘應用豐富多樣，主要可分為以下幾個類型：
1. 傳統主觀導向系統：這類系統針對專業領域，如金融市場的技術分析。如Metastak、SuperCharts等，採用從基礎的圖表分析到高級的分形理論和譜分析。這些技術需要預先建立經驗模型，對數據有深度理解，但需專業培訓。
2. 傳統統計分析：包括相關分析、回歸分析等，如SAS、SPSS等。用戶需提出假設，系統驗證，但操作復雜，需要專業知識。
3. 進步的DM方法：一些廠商將DM技術融入原有系統，如SAS等，以增強數據分析能力。這些技術主要基於數理統計，廣泛應用於數據分析。
4. 神經元網路技術：屬於軟計算領域，適用於復雜或不精確數據挖掘，如PolyAnalyst、BrainMaker等。通過模擬人腦學習，NN能從經驗中學習，但結構復雜可能導致數據不足。
5. 決策樹：決策樹在知識工程中用於直觀分類，如IDIS、SIPINA等。這種方法易於理解，但限於分類任務。
6. 進化式程序設計：通過自動生成假設和程序，如PolyAnalyst，解決依賴關系問題。但需要專業人員指導。
7. 基於事例推理（CBR）：通過類似情況尋找解決方案，如PatternRecognitionWorkbench，但缺乏總結規則的能力。
8. 遺傳演算法（GA）：常用於組合優化，如GeneHunter，但選擇准則和問題描述需要專業知識。
隨著技術發展，非結構化數據如文本和網頁成為知識的重要來源，如IBM的TexMiner等工具正在研究如何從這些數據中提取知識。
知識挖掘源於全球范圍內資料庫中存儲的數據量急劇增加，人們的需求已經不只是簡單的查詢和維護，而是希望能夠對這些數據進行較高層次的處理和分析以得到關於數據總體特徵和對發展趨勢的預測。知識挖掘最新的描述性定義是由UsamaM.Fayyyad等給出的：知識挖掘是從數據集中識別出有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程。
❹ 數學建模需要掌握哪些編程語言和技術
數學建模需要掌握MATLAB、Python、SAS、Lingo等編程語言。