數據挖掘（data mining）是指從大量的資料中自動搜索隱藏于其中的有著特殊關聯性的信息的過程。在全世界的計算機存儲中，存在未使用的海量數據并且它們還在快速增長，這些數據就像待挖掘的金礦，而進行數據分析的科學家、工程師、分析員的數量變化一直相對較小，這種差距稱為數據挖掘產生的主要原因。數據挖掘是一個多學科交叉領域，涉及神經網絡、遺傳算法、回歸、統計分析、機器學習、聚類分析、特異群分析等，開發挖掘大型海量和多維數據集的算法和系統，開發合適的隱私和安全模式，提高數據系統的使用簡便性。

數據挖掘與傳統意義上的統計學不同。統計學推斷是假設驅動的，即形成假設并在數據基礎上驗證他；數據挖掘是數據驅動的，即自動地從數據中提取模式和假設。數據挖掘的目標是提取可以容易轉換成邏輯規則或可視化表示的定性模型，與傳統的統計學相比，更加以人為本。

數據挖掘技術簡述

數據挖掘的技術有很多種，按照不同的分類有不同的分類法。下面著重討論一下數據挖掘中常用的一些技術：統計技術，關聯規則，基于歷史的分析，遺傳算法，聚集檢測，連接分析，決策樹，神經網絡，粗糙集，模糊集，回歸分析，差別分析，概念描述等十三種常用的數據挖掘的技術。

1、統計技術

數據挖掘涉及的科學領域和技術很多，如統計技術。統計技術對數據集進行挖掘的主要思想是：統計的方法對給定的數據集合假設了一個分布或者概率模型（例如一個正態分布）然后根據模型采用相應的方法來進行挖掘。

2、關聯規則

數據關聯是數據庫中存在的一類重要的可被發現的知識。若兩個或多個變量的取值之I司存在某種規律性，就稱為關聯。關聯可分為簡單關聯、時序關聯、因果關聯。關聯分析的目的是找出數據庫中隱藏的關聯網。有時并不知道數據庫中數據的關聯函數，即使知道也是不確定的，因此關聯分析生成的規則帶有可信度。

3、基于歷史的MBR（Memory-based Reasoning）分析

先根據經驗知識尋找相似的情況，然后將這些情況的信息應用于當前的例子中。這個就是MBR（Memory Based Reasoning）的本質。MBR首先尋找和新記錄相似的鄰居，然后利用這些鄰居對新數據進行分類和估值。使用MBR有三個主要問題，尋找確定的歷史數據；決定表示歷史數據的最有效的方法；決定距離函數、聯合函數和鄰居的數量。

4、遺傳算法GA（Genetic Algorithms）

基于進化理論，并采用遺傳結合、遺傳變異、以及自然選擇等設計方法的優化技術。主要思想是：根據適者生存的原則，形成由當前群體中最適合的規則組成新的群體，以及這些規則的后代。典型情況下，規則的適合度（Fitness）用它對訓練樣本集的分類準確率評估。

5、聚集檢測

將物理或抽象對象的集合分組成為由類似的對象組成的多個類的過程被稱為聚類。由聚類所生成的簇是一組數據對象的集合，這些對象與同一個簇中的對象彼此相似，與其它簇中的對象相異。相異度是根據描述對象的屬眭值來計算的，距離是經常采用的度量方式。

6、連接分析

連接分析，Link analysis，它的基本理論是圖論。圖論的思想是尋找一個可以得出好結果但不是完美結果的算法，而不是去尋找完美的解的算法。連接分析就是運用了這樣的思想：不完美的結果如果是可行的，那么這樣的分析就是一個好的分析。利用連接分析，可以從一些用戶的行為中分析出一些模式；同時將產生的概念應用于更廣的用戶群體中。

7、決策樹

決策樹提供了一種展示類似在什么條件下會得到什么值這類規則的方法。