数据挖掘特点（数据挖掘的概念及特点）

什么是数据挖掘,或数据挖掘的过程是什么

OLAP分析过程是建立在用户对深藏在数据中的某种知识有预感和假设的前提下，是在用户指导下的信息分析和知识发现过程。智能化自动分析工具：为适应变化迅速的市场环境，就需要有基于计算机与信息技术的智能化自动工具，来帮助挖掘隐藏在数据中的各类知识。

我比较喜欢对数据挖掘定义的一种描述：数据挖掘是利用业务知识从数据中发现和解释知识（或称为模式）的过程，这种知识是以自然或者人工形式创造的新知识。从中也可以看出，数据挖掘的基础是了解业务或找到熟悉业务的人，然后才是利用历史知识建立知识模式从而创造新知识。

数据挖掘（Data Mining，简称DM），是指从大量的数据中，挖掘出未知的且有价值的信息和知识的过程。2 机器学习 与 数据挖掘 与数据挖掘类似的有一个术语叫做”机器学习“，这两个术语在本质上的区别不大，如果在书店分别购买两本讲数据挖掘和机器学习的书籍，书中大部分内容都是互相重复的。

数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘流程：定义问题：清晰地定义出业务问题，确定数据挖掘的目的。

数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。

浅谈对数据分析、数据挖掘以及大数据的认识

分析更多依赖于业务知识，数据挖掘更多侧重于技术的实现，对于业务的要求稍微有所降低，数据挖掘往往需要更大数据量，而数据量越大，对于技术的要求也就越高需要比较强的编程能力，数学能力和机器学习的能力。如果从结果上来看，数据分析更多侧重的是结果的呈现，需要结合业务知识来进行解读。

数据挖掘则是指通过特定的算法和技术从大量数据中自动发现有用的模式、关联和趋势的过程。它的主要目标是发现数据中的隐藏信息和价值，以支持预测、分类、聚类等任务。大数据、数据分析和数据挖掘是三个相互关联但有所不同的领域。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。数据挖掘涉及到很多的算法，是从海量数据中找到有意义的模式或知识。想要了解更多有关大数据，数据分析和数据挖掘的信息，建议了解一下CDA数据分析师的相关课程。

数据挖掘概念： 数据挖掘基于数据库理论，机器学习，人工智能，现代统计学的迅速发展的交叉学科，在很多领域中都有应用。涉及到很多的算法，源于机器学习的神经网络，决策树，也有基于统计学习理论的支持向量机，分类回归树，和关联分析的诸多算法。数据挖掘的定义是从海量数据中找到有意义的模式或知识。

高维数据挖掘的高维数据挖掘的特点

1、随着数据维数的升高，高维索引结构的性能迅速下降，在低维空间中，我们经常采用欧式距离作为数据之间的相似性度量，但在高维空间中很多情况下这种相似性的概念不复存在，这就给高维数据挖掘带来了很严峻的考验，一方面引起基于索引结构的数据挖掘算法的性能下降，另一方面很多基于全空间距离函数的挖掘方法也会失效。

2、数据集大且不完整数据挖掘所需要的数据集是很大的，只有数据集越大，得到的规律才能越贴近于正确的实际的规律，结果也才越准确。除此以外，数据往往都是不完整的。（2）不准确性数据挖掘存在不准确性，主要是由噪声数据造成的。

3、在处理高维分离正态分布时，我们利用这些分布特性来判断两点的来源，这种能力在数据挖掘和机器学习中至关重要。通过极大似然估计，我们可以找到最接近的正态分布，来拟合复杂的高维数据。最后，随机投影定理是解决高维问题的利器，它将复杂的数据降维到低维空间，极大地节省了存储和计算资源。

4、数据挖掘指的是从大量的数据中提取隐含的、事先未知的、并且潜在有用的知识的技术。数据挖掘的广义观点：数据挖掘就是从存放在数据库，数据仓库或其他信息库中的大量的数据中“挖掘”有趣知识的过程。

5、特征选择：在高维数据处理中，特征选择是一种非常有效的降维方法，它能够从大规模的特征集合中选出一小部分最相关的特征来进行分析和建模。特征选择方法包括IV、WOE、LASSO、Ridge等。