一.現在我主要講解數據挖掘的基本規范流程
數據挖掘通常需要數據收集，數據集成，數據規約，數據清理，數據變換，數據挖掘實施過程，模式評估和知識表示
1.數據收集：根據所得的數據，抽象出數據的特征信息，將收集到的信息存入數據庫。選擇一種合適的數據存儲和管理的數據倉庫類型
2.數據集成：把不同來源，格式的數據進行分類
3.數據規約：當數據量和數據的值比較大的時候，我們可以用規約技術來得到數據集的規約表示，比如（數據值-數據平均值）/數據方差，這是數據就變小了很多但接近原數據的完整性，規約后數據挖掘的結果和規約前的結果基本一致。
4.數據清理：有些數據是不完整的如：有些有缺失值（值不存在），有些含噪音（錯誤，孤立點），有些是不一致的（如單位不同等），我們可以使用工具進行數據清理，得到完整，正確，一致的數據。
5.數據變換：通過平滑聚集，數據概化，規范化等方式將數據轉換成適用於數據挖掘的數據集。
6.特征提取或特征選擇：特征提取多應用於計算機視覺和圖像處理中，特征選擇是提出不相關和冗余的特征，防止過擬合，提高模型精確度，常用方法有PCA等。
7.數據挖掘過程：分析數據倉庫中的數據信息，選擇合適的數據挖掘工具，應用統計方法，使用相應的數據挖掘算法。。
8.從業務上，驗證數據分析和數據挖掘的結果正確性。
9.知識表示，將數據挖掘所得結果以可視化的方式呈現給用戶。
在數據挖掘中如果沒有得到理想的結果，需要重復執行以上步驟，步驟2，3，4，5均屬於預處理過程，數據挖掘大部分花在數據預處理部分。
二.數據挖掘算法及實現
分類：隨機森林用於多分類，決策樹會產生過擬合，logistic回歸常用於二分類，得到類的概率
聚類：常用的聚類有k-means.
預測：回歸模型，變系數單指數模型