文档介绍：: .
图 确定主题和定义数据挖掘任务
首先确定与任务相关的数据，即我想挖掘什么数据集
确定数据挖掘研究的范围，即想挖掘什么类型的知识，什么背
景知识在这里可能有用， 确定主题
保持力控制、风险预测、收益率分析、数据趋势分析、雇员分
析、区域分析、分类、聚类和可视化研究都可作为主题的类
型。 定义数据挖掘任务
1）首先定义与任务相关的数据，即要确定数据选择的条件、
数据分组条件、相关属性或维等。要使得挖掘效率高，可建立
视图进行挖掘，数据仓库可满足这些条件。
2）确定与数据挖掘任务相关的知识类型，即从特征化和判别
式、关联、分类、预测、聚类和演变分析等中找出一种或几种
类型。模式模板，包括元模式（元规则或元查询）可以指导知
识的发现过程。
3）获取一定的背景知识，背景知识是正确的作出概念分层和
用户对数据保持联系。概念分层包括模式分层、集合分组分
层、操作导出的分层和基于规则的分层。
4）度量与数据挖掘任务相关的模式兴趣度：兴趣度度量包括
评估模式的简洁性（如规则长度）、确定性（置信度）、实用
性（支持度）和新颖性。
数据的收集和准备是开展数据挖掘的最大障碍。
数据准备一般包含两方面：
从多种数据源中去综合数据挖掘所需要的数据，保证数据质量的综合
性、易用性和时效性，这有可能要用到数据仓库的思想和技术；
如何从现有数据中衍生出所需要的指标，这主要取决于数据挖掘者的分
析经验和工具的方便性。 数据清理（data cleaning）
数据清理要解决如下的一些问题：
（1）数据质量
（2）冗余数据
（3）过时数据
（4）术语定义的变化
数据清洗将会使数据集产生哪些问题
1）一致性问题
2）失效数据的清洗问题
3）印刷错误的清洗问题
4）数值缺失
5） 数据集成（data integration）
数据集成的关键是获取数据，如访问数据仓库。通过如下几种
方法访问数据：
1）通过基于事务的关系数据库或基于PC的数据库访问数据
2）通过数据转换工具访问数据
3）用查询工具访问数据
4） 数据变换（data transformation）
数据变换就是将数据进行规范化和聚集。
规范化可以改进涉及距离度量的挖掘算法的精度和有效性。常
用的方法有平滑（包括分箱、聚类和回归）来去掉噪声数据；
聚集来对数据进行汇总；数据概化使用高层次概念替换低层次
“原始”数据来进行概念分层；规范化将属性数据按比例缩放，
使之落入一个小的特定区间；属性构造（特征构造）来帮助提
高精度和对高维数据结构的理解。 : .
第5章数据挖掘过程
数据挖掘的方法与基本流程
SEMMA方法
数据挖掘的基本流程
确定主题和定义数据挖掘任务
确定主题
定义数据挖掘任务
数据预处理