緒論
什么是數據挖掘
數據挖掘是再大型數據存儲庫中，自動地發現有用信息的過程。（發現先前未知的有用模式，還可以預測未來觀測結果）
並非所有的信息發現都視為數據挖掘，例使用數據庫查找個別的記錄或通過因特網查找特定的Web頁面，則是信息檢索。盡管如此，人們也在利用數據挖掘技術增強信息檢索系統的能力。
數據挖掘是數據庫中知識發現（KDD）不可缺少的一部分。而KDD是將未加工的數據轉換為有用信息的整個過程。
KDD過程：
數據挖掘要解決的問題：
1.可伸縮——如果數據挖掘算法要處理這些海量數據集，則算法必須是可伸縮的。為了實現可伸縮可能還需要實現新的數據結構，才能以有效的方式訪問每個記錄。例如，當要處理的數據不能放進內存時，可能需要非內存算法。使用抽樣技術或開發並行和分布算法也可以提高可伸縮成都
2.高維性——常常遇到具有成百上千屬性的數據集，隨着維度（特征數）的增加，計算復雜性迅速增加。
3.異種數據和復雜數據——隨着數據挖掘作用越來越大，越來越需要能夠處理異種屬性的技術。此外，為挖掘復雜對象而開發的技術應當考慮數據中的聯系。
4.數據的所有權與分布——有時，需要分析的數據並非存放在一個站點，或歸屬一個機構，而是地理上分布在屬於多個機構的資源中。這就需要開發分布式數據挖掘技術。
5.非傳統的分析——傳統的統計方法基於一種假設-檢驗模式，即提出一種假設，設計實驗來收集數據，然后針對假設分析數據。現在的一些數據集常常涉及非傳統的數據類型的數據分布。
數據挖掘的起源
數據挖掘任務
數據挖掘任務分為下面兩大類：
1.預測任務
2.描述任務：其目標是導出概括數據中潛在聯系的模式（相關、趨勢、聚類、軌跡和異常）。本質上，描述性數據挖掘任務通常是探查性的，並且常常需要后處理技術驗證和解釋結果。
四種主要數據挖掘任務：
（1）預測建模：涉及以說明變量函數的方式為目標變量建立模型。有兩類預測建模任務：分類，用於預測離散的目標變量；回歸，用於預測連續的目標變量。
（2）關聯分析：用來發現描述數據中強關聯特征的模式，所發現的模式通常用蘊涵規則或特征子集的形式表示。由於搜索空間是指數規模的，關聯分析的目標是以有效的方式提取最有趣的模式。關聯分析的應用包括找出具有相關功能的基因組、識別用戶一起訪問的Web頁面、理解地球氣候系統不同元素之間的聯系等。
（3）聚類分析：旨在發現緊密相關的觀測值組群，使得與屬於不同簇的觀測值相比，屬於同一簇的觀測值相互之間盡可能類似。
（4）異常檢測：識別其特征顯著不同於其他數據的觀測值。這樣的觀測值稱為異常點或離群點。異常檢測算法的目標是發現真正的異常點。而避免錯誤地將正常的對象標注為異常點