数据挖掘的任务有哪些

数据挖掘的任务有哪些

1、关联分析（associationanalysis）

关联分析挖掘是由RakeshApwal等人首先提出的。两个或两个以上变量取向价值之间存在某种规律性发掘称之为关联。数据关联是数据库中存在的一类重要的、可被发现的知识。关联分为简单关联、时序关联和因果关联。关联分析的目的是找出数据库中隐藏的大量关联网。一般用支持度和可信度两个阀值来度量获取关联规则的相关性，还有兴趣度、相关性等参数，使得所挖掘的规则更符合实质需求。

2、聚类分析（clustering）

聚类是把数据按照相似性归纳成若干类别分类出来，同一类中的数据彼此相似，不同类中的数据则相异。聚类分析可以建立宏观的概念，发布数据的分布模式，以及可能性的数据属性之间的相互关系。

3、分类（classification）

分类其实就是找出一个类别的概念描述，代表了数据的整体信息，分类的内涵描述，并用描述来构造模型，一般用作于规则或决策树模式表示出来。分类是利用训练数据集中通过一定的算法而求得分类规则。分类可被用于规则描述和数据预测。

4、预测（predication）

通过预测利用历史数据找出变化规律，建立模型并由该模型对未来数据的种类及特征进行预测。预测关心的是精确度和不确定性因素，通常用预测方差来度量较为适合。

5、时序模式（time-seriespattern）

通过时间序列搜索出的重复发生概率比较高的模式。与回归一样，它也是用己知的数据预测未来的数据值，但这些数据的区别是变量所处时间的不同而已。

6、偏差分析（deviation）

在偏差中包括很多有用的知识，数据库中的数据存在很多异常情况，发现数据库中数据存在的异常情况是非常重要的。偏差检验的基本方法就是寻找观察结果与参照之间的差别。