一、挖掘頻繁模式、關(guān)聯(lián)和相關(guān)性

頻繁模式（frequent pettern）是在數(shù)據(jù)中頻繁出現(xiàn)的模式。

頻繁項集一般是指頻繁的在事務(wù)數(shù)據(jù)集中一起出現(xiàn)的商品的集合。

頻繁出現(xiàn)的子序列，如顧客傾向于先買相機，再買內(nèi)存卡這樣的模式就是一個（頻繁）序列模式。

子結(jié)構(gòu)可能涉及不同的機構(gòu)模式，如圖、數(shù)或格。如果一個子結(jié)構(gòu)頻繁出現(xiàn)，則可稱為（頻繁）結(jié)構(gòu)模式。

挖掘頻繁模式可以發(fā)現(xiàn)數(shù)據(jù)中有趣的關(guān)聯(lián)和相關(guān)性。

關(guān)聯(lián)規(guī)則可分為單維關(guān)聯(lián)規(guī)則和多維關(guān)聯(lián)規(guī)則。

二、用于預測分析的分類與回歸

分類是找出描述和區(qū)分數(shù)據(jù)類或概念的模型，以便能夠使用模型預測類標號未知的對象的類標號。

分類和回歸是有監(jiān)督的學習方法。數(shù)據(jù)集分為訓練集和測試集。

分類是預測類別的標號。

回歸是建立連續(xù)值函數(shù)模型，即用來預測難以獲得的數(shù)據(jù)值或缺失的數(shù)據(jù)。

兩種方法可以成為數(shù)值預測和類標號預測。

三、聚類分析

聚類分析是一種無監(jiān)督的學習方法。

聚類的特點是最大化類簇間的距離、最小化類簇內(nèi)樣本的距離。

四、離群點分析

大部分數(shù)據(jù)挖掘方法都將離群點視為噪聲或異常而丟棄。

但在欺詐檢測等應用中，離群點的出現(xiàn)則很重要。

---

參考文獻：數(shù)據(jù)挖掘：概念與技術(shù)（原書第三版）