在信息收集和采集的過程當(dāng)中，數(shù)據(jù)挖掘技術(shù)是一個非常重要的凡事也是必不可少的方式，那么數(shù)據(jù)挖掘技術(shù)的流程是什么以及如何使用呢?接下來我們就一起來好好的了解一下吧。

　　數(shù)據(jù)挖掘技術(shù)——數(shù)據(jù)挖掘技術(shù)的流程是什么

(1)信息收集：根據(jù)確定的數(shù)據(jù)分析對象抽象出在數(shù)據(jù)分析中所需要的特征信息，然后選擇合適的信息收集方法，將收集到的信息存入數(shù)據(jù)庫。對于海量數(shù)據(jù)，選擇一個合適的數(shù)據(jù)存儲和管理的數(shù)據(jù)倉庫是至關(guān)重要的。

(2)數(shù)據(jù)集成：把不同來源、格式、特點性質(zhì)的數(shù)據(jù)在邏輯上或物理上有機(jī)地集中，從而為企業(yè)提供全面的數(shù)據(jù)共享。

(3)數(shù)據(jù)規(guī)約：執(zhí)行多數(shù)的數(shù)據(jù)挖掘算法即使在少量數(shù)據(jù)上也需要很長的時間，而做商業(yè)運營數(shù)據(jù)挖掘時往往數(shù)據(jù)量非常大。數(shù)據(jù)規(guī)約技術(shù)可以用來得到數(shù)據(jù)集的規(guī)約表示，它小得多，但仍然接近于保持原數(shù)據(jù)的完整性，并且規(guī)約后執(zhí)行數(shù)據(jù)挖掘結(jié)果與規(guī)約前執(zhí)行結(jié)果相同或幾乎相同。

(4)數(shù)據(jù)清理：在數(shù)據(jù)庫中的數(shù)據(jù)有一些是不完整的(有些感興趣的屬性缺少屬性值)，含噪聲的(包含錯誤的屬性值)，并且是不一致的(同樣的信息不同的表示方式)，因此需要進(jìn)行數(shù)據(jù)清理，將完整、正確、一致的數(shù)據(jù)信息存入數(shù)據(jù)倉庫中。

(5)數(shù)據(jù)變換：通過平滑聚集，數(shù)據(jù)概化，規(guī)范化等方式將數(shù)據(jù)轉(zhuǎn)換成適用于數(shù)據(jù)挖掘的形式。對于有些實數(shù)型數(shù)據(jù),通過概念分層和數(shù)據(jù)的離散化來轉(zhuǎn)換數(shù)據(jù)也是重要的一步。

(6)數(shù)據(jù)挖掘過程：根據(jù)數(shù)據(jù)倉庫中的數(shù)據(jù)信息，選擇合適的分析工具，應(yīng)用統(tǒng)計方法、事例推理、決策樹、規(guī)則推理、模糊集、甚至神經(jīng)網(wǎng)絡(luò)、遺傳算法的方法處理信息，得出有用的分析信息。

(7)模式評估：從商業(yè)角度，由行業(yè)專家來驗證數(shù)據(jù)挖掘結(jié)果的正確性。

(8)知識表示：將數(shù)據(jù)挖掘所得到的分析信息以可視化的方式呈現(xiàn)給用戶，或作為新的知識存放在知識庫中，供其他應(yīng)用程序使用。

　　數(shù)據(jù)挖掘技術(shù)如何操作

神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)由于本身良好的魯棒性、自組織自適應(yīng)性、并行處理、分布存儲和高度容錯等特性非常適合解決數(shù)據(jù)挖掘的問題，用于分類、預(yù)測和模式識別的前饋式神經(jīng)網(wǎng)絡(luò)模型;以hopfield的離散模型和連續(xù)模型為代表的，分別用于聯(lián)想記憶和優(yōu)化計算的反饋式神經(jīng)網(wǎng)絡(luò)模型;以art模型、koholon模型為代表的，用于聚類的自組織映射方法。神經(jīng)網(wǎng)絡(luò)方法的缺點是”黑箱”性，人們難以理解網(wǎng)絡(luò)的學(xué)習(xí)和決策過程。

遺傳算法

遺傳算法是一種基于生物自然選擇與遺傳機(jī)理的隨機(jī)搜索算法。遺傳算法具有的隱含并行性、易于和其它模型結(jié)合等性質(zhì)使得它在數(shù)據(jù)挖掘中被加以應(yīng)用。

sunil已成功地開發(fā)了一個基于遺傳算法的數(shù)據(jù)挖掘工具，利用該工具對兩個飛機(jī)失事的真實數(shù)據(jù)庫進(jìn)行了數(shù)據(jù)挖掘?qū)嶒?，結(jié)果表明遺傳算法是進(jìn)行數(shù)據(jù)挖掘的有效方法之一[4]。遺傳算法的應(yīng)用還體現(xiàn)在與神經(jīng)網(wǎng)絡(luò)、粗集等技術(shù)的結(jié)合上。如利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在不增加錯誤率的前提下，刪除多余的連接和隱層單元;用遺傳算法和bp算法結(jié)合訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后從網(wǎng)絡(luò)提取規(guī)則等。但遺傳算法的算法較復(fù)雜，收斂于局部極小的較早收斂問題尚未解決。

決策樹方法

決策樹是一種常用于預(yù)測模型的算法，它通過將大量數(shù)據(jù)有目的分類，從中找到一些有價值的，潛在的信息。它的主要優(yōu)點是描述簡單，分類速度快，特別適合大規(guī)模的數(shù)據(jù)處理。最有影響和最早的決策樹方法是由quinlan提出的著名的基于信息熵的id3算法。它的主要問題是：id3是非遞增學(xué)習(xí)算法;id3決策樹是單變量決策樹，復(fù)雜概念的表達(dá)困難;同性間的相互關(guān)系強(qiáng)調(diào)不夠;抗噪性差。針對上述問題，出現(xiàn)了許多較好的改進(jìn)算法，如schlimmer和fisher設(shè)計了id4遞增式學(xué)習(xí)算法;鐘鳴，陳文偉等提出了ible算法等。

粗集方法

粗集理論是一種研究不精確、不確定知識的數(shù)學(xué)工具。粗集方法有幾個優(yōu)點：不需要給出額外信息;簡化輸入信息的表達(dá)空間;算法簡單，易于操作。粗集處理的對象是類似二維關(guān)系表的信息表。但粗集的數(shù)學(xué)基礎(chǔ)是集合論，難以直接處理連續(xù)的屬性。而現(xiàn)實信息表中連續(xù)屬性是普遍存在的。因此連續(xù)屬性的離散化是制約粗集理論實用化的難點。

以上就是有關(guān)數(shù)據(jù)挖掘技術(shù)的所有相關(guān)介紹，做好網(wǎng)站優(yōu)化，那么數(shù)據(jù)挖掘技術(shù)就一定要學(xué)會，所以各位站長們一定要注意了。如果大家還想了解更多與之有關(guān)的內(nèi)容，歡迎關(guān)注我們文軍營銷的官網(wǎng)。

推薦閱讀

李彥宏證監(jiān)會演講:百度是如何布局人工智能的? | 文軍營銷當(dāng)然,交通行業(yè)只是一個案例,未來的大數(shù)據(jù)將會從各行各業(yè)產(chǎn)生,而人工智能將會對這些各行各業(yè)的數(shù)據(jù)進(jìn)行自頂向下的標(biāo)準(zhǔn)化挖掘、關(guān)聯(lián),當(dāng)前只是在利用人工智能挖掘各個行業(yè)的效率,在未來各種行業(yè)的大數(shù)據(jù)整合到一起之后,需要更為強(qiáng)大的人工智能將其整合、解讀、分析,終實現(xiàn)全社會的資源為的分配調(diào)度,而這也是百度野心。 ...