CRISP- DM过程模型是数据挖掘界公认的规范标准。
以企业所面临的问题为出发点，以能解决企业的问题并找出新的商机为终极目标。以数据为主轴，不断地寻找并有效发掘出隐藏模式，以及其内涵的整体流程。从大量数据中不断地寻找出宝藏。
生命周期包括六个阶段：商业理解、数据、理解、数据准备、建立模型、模型评估和模型发布。各个阶段的顺序不是僵硬不变的，通常需要在不同阶段之间向前或向后移动，这要取决于每个阶段的结果和接下来将要实施的阶段，或者一个阶段的具体任务，最外面的循环表示数据挖掘本身的循环特征。数据挖掘并非是一旦得到一个解决方案就结束了，在流程及解决方案中得到的教训，可能引发新的，常常是更为集中的商业问题，后面的挖掘过程将从前几次的经验中获益。
SEMMA过程模型：数据采样、数据特征探索、分析和预处理、问题明确化、数据整理和技术选择、模型的研发、知识的发现、模型和知识的综合解释和评价。其优点在于贯穿建模的每个细节，清楚的表面过程是迭代的。缺点在于没有涉及商业问题或数据挖掘问题，更加关注过程而不是结果，同时没有能够涉及到模型的发布。
5A模型：评估（Assess）、访问（Access），分析（Analyze），行动（Act）自动化，（Automate）。其优点同样是显示了分析过程的重复迭代性，缺点在于没有说明数据挖掘过程中的商业问题，没有关注数据准备过程，更关注于数据分析而不是预测未来可能发生什么情况。
常用的数据挖掘技术可分为：统计分析类、知识发现类和其他类型的数据挖掘技术。
统计分析类：使用的数据挖掘模型有线性分析和非线性分析、回归分析、逻辑回归分析，单变量分析、多变量分析、时间序列分析，最近邻算法和聚类分析等技术。检查那些异常显示的数据，利用各种统计模型和数学模型解释这些数据，解释隐藏在这些数据背后的市场规律和商业机会
知识发现类：从大量数据中筛选信息，寻找市场可能出现的运营模式，发掘人们所不知道的事情。主要包括人工神经网络、决策树、遗传算法、粗糙集、规则发现和关联顺序。
其他类型的数据挖掘技术：文本数据挖掘、web数据挖掘、分类系统、可视化系统、空间数据挖掘和分布式数据挖掘等。
文本数据挖掘主要为了满足对非结构化信息的挖掘需要。
web数据挖掘对大批量网络信息的挖掘。
网友评论