數(shù)據(jù)挖掘的任務有哪些

1、關聯(lián)分析（associationanalysis）

關聯(lián)分析挖掘是由RakeshApwal等人首先提出的。兩個或兩個以上變量取向價值之間存在某種規(guī)律性發(fā)掘稱之為關聯(lián)。數(shù)據(jù)關聯(lián)是數(shù)據(jù)庫中存在的一類重要的、可被發(fā)現(xiàn)的知識。關聯(lián)分為簡單關聯(lián)、時序關聯(lián)和因果關聯(lián)。關聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的大量關聯(lián)網。一般用支持度和可信度兩個閥值來度量獲取關聯(lián)規(guī)則的相關性，還有興趣度、相關性等參數(shù)，使得所挖掘的規(guī)則更符合實質需求。

2、聚類分析（clustering）

聚類是把數(shù)據(jù)按照相似性歸納成若干類別分類出來，同一類中的數(shù)據(jù)彼此相似，不同類中的數(shù)據(jù)則相異。聚類分析可以建立宏觀的概念，發(fā)布數(shù)據(jù)的分布模式，以及可能性的數(shù)據(jù)屬性之間的相互關系。

3、分類（classification）

分類其實就是找出一個類別的概念描述，代表了數(shù)據(jù)的整體信息，分類的內涵描述，并用描述來構造模型，一般用作于規(guī)則或決策樹模式表示出來。分類是利用訓練數(shù)據(jù)集中通過一定的算法而求得分類規(guī)則。分類可被用于規(guī)則描述和數(shù)據(jù)預測。

4、預測（predication）

通過預測利用歷史數(shù)據(jù)找出變化規(guī)律，建立模型并由該模型對未來數(shù)據(jù)的種類及特征進行預測。預測關心的是精確度和不確定性因素，通常用預測方差來度量較為適合。

5、時序模式（time-seriespattern）

通過時間序列搜索出的重復發(fā)生概率比較高的模式。與回歸一樣，它也是用己知的數(shù)據(jù)預測未來的數(shù)據(jù)值，但這些數(shù)據(jù)的區(qū)別是變量所處時間的不同而已。

6、偏差分析（deviation）

在偏差中包括很多有用的知識，數(shù)據(jù)庫中的數(shù)據(jù)存在很多異常情況，發(fā)現(xiàn)數(shù)據(jù)庫中數(shù)據(jù)存在的異常情況是非常重要的。偏差檢驗的基本方法就是尋找觀察結果與參照之間的差別。