|
|
|
|
|
|
|
|
| （1）准备数据。进行数据挖掘的时候，一般并不是对原始的数据进行挖掘，而是先要对数据作一些预处理，包括合并数据，将多个文件或多个数据库中的数据进行合并处理；选择数据，提取出适合分析的数据集合；数据清洗、过滤，剔除一些无关记录，将文件、图形、图像及多媒体等文件转换成可便于数据挖掘的格式等。
|
|
|
| （2）发现模式。根据不同的挖掘目标，可以相应采用不同的挖掘方法，得到有意义的数据模式。数据挖掘的方法有很多种，主要包括3大类：统计分析、知识发现、其他可视化方法。统计分析方法主要用于检查数据中的数据规律，然后利用统计模型和数学模型来解释这些规律，通常使用的统计方法有线性分析、非线性分析、线性回归、因子分析，单变量曲线和双变量统计以及时间序列分析等。知识发现方法源于人工智能和机器学习，利用数据搜寻过程，得到一个有意义的数据模式，从中可以发现规律。可视化方法可以给出多变量的图形分析，同时显示多变量间的关系，有助于分析以前挖掘的数据，进一步增强数据挖掘能力。
|
|
|
| （3）分析、解释模式。通过技术手段，对得到的模式进行数据分析，得出有意义的结论。常用的技术手段有：①关联规则，揭示数据之间的内在的联系，发现用户与站点各页面的访问关系。②分类，给出类的公共属性描述，并将新的记录分配到预先定义好的类中去或分类新的项。③聚类，分类的逆过程，按照“类内相似性最大，类间相似性最小”的原则，对数据进行类的聚集，多指客户群体聚类和Web网页聚类。客户群体聚类将具有相似浏览模式的用户分在一组，而Web网页聚类提供有针对性的网络服务应用。④序列模式，侧重于挖掘出数据的前后时间顺序关系，分析是否存在一定趋势，以预测未来的访问模式。⑤路径分析，可以发现一个Web站点中最经常被访问的路径。
|
|
|
