1.数据挖掘能做以下六种不同事情（分析⽅法）：
  · 分类（Classification）
  · 估值（Estimation）
  · 预⾔（Prediction）
  · 相关性分组或关联规则（Affinity grouping or association rules）
  · 聚集（Clustering）
  · 描述和可视化（Des cription and Visualization）
  · 复杂数据类型挖掘(Text, Web ，图形图像，视频，⾳频等)
  2.数据挖掘分类
  以上六种数据挖掘的分析⽅法可以分为两类：直接数据挖掘；间接数据挖掘
  · 直接数据挖掘
  ⽬标是利⽤可⽤的数据建⽴⼀个模型，这个模型对剩余的数据，对⼀个特定的变量（可以理解成数据库中表的属性，即列）进⾏描述。
  · 间接数据挖掘
  ⽬标中没有选出某⼀具体的变量，⽤模型进⾏描述；⽽是在所有的变量中建⽴起某种关系。
  · 分类、估值、预⾔属于直接数据挖掘；后三种属于间接数据挖掘
  3.各种分析⽅法的简介
  · 分类（Classification）
  ⾸先从数据中选出已经分好类的训练集，在该训练集上运⽤数据挖掘分类的技术，建⽴分类模型，对于没有分类的数据进⾏分类。
  例⼦：
  a. 信⽤卡申请者，分类为低、中、⾼风险
  b. 分配客户到预先定义的客户分⽚
  注意：类的个数是确定的，预先定义好的
  · 估值（Estimation）
  估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，⽽估值处理连续值的输出；分类的类别是确定数⽬的，估值的量是不确定的。
  例⼦：
  a. 根据购买模式，估计⼀个家庭的孩⼦个数
  b. 根据购买模式，估计⼀个家庭的收⼊
  c. 估计real estate的价值
  ⼀般来说，估值可以作为分类的前⼀步⼯作。给定⼀些输⼊数据，通过估值，得到未知的连续变量的值，然后，根据预先设定的阈值，进⾏分类。例如：银⾏对家庭贷款业务，运⽤估值，给各个客户记分（Score 0~1）。然后，根据阈值，将贷款级别分类。
  · 预⾔（Prediction）
  通常，预⾔是通过分类或估值起作⽤的，也就是说，通过分类或估值得出模型，该模型⽤于对未知变量的预⾔。从这种意义上说，预⾔其实没有必要分为⼀个单独的类。预⾔其⽬的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过⼀定时间后，才知道预⾔准确性是多少。
  · 相关性分组或关联规则（Affinity grouping or association rules）
  决定哪些事情将⼀起发⽣。
  例⼦：
  a. 超市中客户在购买A的同时，经常会购买B，即A => B(关联规则)
  b. 客户在购买A后，隔⼀段时间，会购买B （序列分析）
  · 聚集（Clustering）
  聚集是对记录分组，把相似的记录在⼀个聚集⾥。聚集和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。数据库基本数据类型有哪些
  例⼦：
  a. ⼀些特定症状的聚集可能预⽰了⼀个特定的疾病
  b. 租VCD类型不相似的客户聚集，可能暗⽰成员属于不同的亚⽂化
  聚集通常作为数据挖掘的第⼀步。例如，"哪⼀种类的促销对客户响应？"，对于这⼀类问题，⾸先对整个客户做聚集，将客户分组在各⾃的聚集⾥，然后对每个不同的聚集，回答问题，可能效果更好。
  · 描述和可视化（Des cription and Visualization）
  是对数据挖掘结果的表⽰⽅式。