数据挖掘使用的技术

数据挖掘使用的技术：数据挖掘使用的技术

就像木匠用许多工具建造坚固的房屋一样，好的分析员也使用不止一种技术把数据转化为信息。多数数据挖掘人员除了使用OLAP(On-Line Analytical Processing，在线分析处理，又称多元报告)以外，还更多地交叉使用多种先进分析技术。

报告和OLAP被广泛使用，但它对制定决策的价值有限。或者说，它可以作为数据挖掘的好的起点，因为它可以回答过去发生了什么事情(如，北部产品销售情况？每月情况？)。但是，要发现这些事情发生的原因并预见未来以防患于未然，您需要更多的先进技术。

对这些先进技术的使用也称为“建模”。建模也包括“S”一词(Statistics,统计)。统计的威力、在用户界面和新的、更“自动化”的技术方面的优势，使更多的人开始越来越多地使用高级分析。而且，一类用于“信息消费”(与“模型建造者”相反)的新产品，使更多的人能够方便地从高级数据挖掘技术中获取价值。

高级技术迅速地得到普及，因为最好决策的价值只能从以下三种高级技术方法的结合中取得：

1, 使用更成熟的分析技术，以产生更高质量的信息
2, 用更有效的方式发布信息
3, 快速生成可运作的结果

下图显示了模型是如何建造的：

理论驱动和数据驱动建模

建模工具可以分为两组：理论驱动和数据驱动。理论驱动建模通常叫做假设检验，用于证实或反驳预想的假设。理论驱动建模工具要求用户指定基于历史经验的大多数模型参数，然后通过检验来观察模型是否有效。与之相反，数据驱动建模工具则自动建立基于在数据中所发现模式的模型。这种新式模型同样需要在被认为有效之前进行检验。建模是交互式的过程，最终模型通常由历史经验和新发现信息的结合来完成。这种改进的模型通常会给您的业务带来重要的竞争优势。

分析报告包括：
报告和OLAP

理论驱动建模工具包括以下技术：
相关分析
t-检验
ANOVA单因素方差分析
线性回归
逻辑斯蒂回归
判别分析
预测方法

数据驱动建模工具包括以下技术：
聚类分析
因子分析
决策树
数据可视化
神经网络
规则联合
规则归纳