标签：
1、数据挖掘的特点：
数据挖掘的数据源必须是真实的；
数据挖掘所处理的数据必须是海量的；
查询一般是决策制定者（用户）提出的随机查询；
挖掘出来的知识一般是不能预知的；
2、数据挖掘算法的组成：
模型或模式结构；
数据挖掘任务；
评分函数；
搜索和优化方法；
数据管理策略；
3、根据数据分析者的目标，可以将数据挖掘任务分为：
模式挖掘：致力于从数据中寻找模式，比如寻找频繁模式，异常点等；
描述建模：目标是描述数据的全局特征。
预测建模：根据现有数据先建立一个模型，然后应用这个模型来对未来的数据进行预测。
当被预测的变量是范畴型（category）时，称之为分类；
当被预测的变量是数量型（quantitative）时，称之为回归。
描述和预测的关键区别是：预测的目标是唯一的变量，如信用等级、疾病种类等，而描述并不以单一的变量为中心。
描述建模的典型例子是聚类分析。
4、评分函数
评分函数用来对数据集与模型（模式）的拟合程度进行评估。
不存在绝对“正确”的模型（模式），所有模型（模式）都是对现有数据的一种近似。从这个角度来讲，如果模型（模式）没有随着现有数据的变化而剧烈变化，这个模型（模式）就是能够接受的了。换句话说，对数据的微小变化不太敏感的模型（模式）才是一个好的模型（模式）。
评分函数衡量了提出的模型（模式）与现有数据集的拟合程度。
搜索和优化的目标是确定模型（模式）的结构及其参数值，以使评分函数达到最小值（或最大值）。
5、搜索和优化方法
如果模型（模式）的结构已经确定，则搜索将在参数空间内进行，目的是针对这个固定的模型（模式）结构，优化评分函数。
6、组件化思想的应用
但是，随着数据集的增大，计算效率将变得越来越重要。对于海量数据，必须在模型（模式）的完备性和计算效率之间进行平衡，以期对现有数据达到某种程度的拟合。
标签：
原文地址：http://www.cnblogs.com/ycyoes/p/5954531.html
