数据挖掘可以使用许多不同的技术，本文将讨论八种数据挖掘技术，它们会让你在工作中变得更有效率。我们将从基本介绍开始，然后讨论每种技术，最后得出结论。

首先，我们来探讨一下什么是数据挖掘。

数据挖掘是从大量数据集中提取有价值信息的过程，它被用于发现数据中的趋势和模式，并对未来做出预测。

可以使用许多不同的数据挖掘技术，每种技术都有自己的优缺点。我们将在本文中讨论的八种数据挖掘技术是：

• 1. 异常检测（Anomaly detection）
• 2. 聚类分析（Clustering Analysis）
• 3. 分类分析（Classification Analysis）
• 4. 回归分析（Regression Analysis）
• 5. 选择建模（Choice Modeling）
• 6. 规则归纳（Rules Induction）
• 7. 神经网络（Neural networks）
• 8. 关联学习（Association learning）

1 异常检测（Anomaly detection）

异常检测是在数据集中识别异常或意外事件，并确定它们是否正面存在问题的过程。数据挖掘技术可用于识别异常，一般来说，会比简单的、基于规则的方法更有效。

2 聚类分析（Clustering Analysis）

聚类是一种数据挖掘技术，它可以把各个对象分组在一起，并用于后续的分析工作。聚类不同于其他数据挖掘技术，它不依赖于对数据预先确定的假设。相反，聚类依赖于对象的自然分组。

聚类通常用来发现有相似特征的对象组。然后，这些信息可以用于各种分析任务，例如预测未来的行为，或在数据中寻找模式。

现有，聚类算法多种多样，各有优缺点。为手头的任务选择正确的聚类算法是很重要的，因为不正确的选择可能导致不准确的结果。

3 分类分析（Classification Analysis）

分类是一种流行的数据分析技术。它可以用来识别物品的类型，或者预测物品所属的类别。它经常用于垃圾邮件过滤，因为它可以用来识别哪些电子邮件可能是垃圾邮件。

4 回归分析（Regression Analysis）

回归分析是一种用来分析变量之间关系的技术。它可以用来预测给定数据集的未来行为。回归分析的主要目标是识别变量之间的关系，了解它们是如何相互影响的。

有许多不同的数据挖掘技术可用于回归分析，包括线性模型、逻辑回归和支持向量机。每种技术都有自己的优缺点，所以选择一种最适合手头数据和问题的技术非常重要。

回归分析是理解数据如何影响行为的重要工具，它在金融、市场营销和工程等广泛领域都有应用。

5 选择建模（Choice Modeling）

选择建模是一种用于预测未来选择的数据挖掘技术。它使用过去的选择来预测未来的选择。该技术可以应用于各种各样的情况，包括市场营销、产品设计和预测客户行为等等。

选择建模的基本思想是，我们可以通过了解过去影响人们的因素来理解他们的选择。通过了解这些因素，我们可以更好地预测人们在未来将如何选择。

选择建模在市场营销中得到了广泛的应用。市场人员利用它来了解客户如何做决定，并找出要销售的产品，他们也会用它来设计新的产品和服务。

产品设计师可以用选择模型来了解人们对不同类型产品的偏好，用它来创造更人性化的设计。

6 规则归纳（Rules Induction）

规则归纳是一种数据挖掘技术，它使用规则来发现数据中的模式。规则可以是明确的，也可以是隐设的。明确的规则可以用语句的形式编写，而隐设的规则会由数据本身产生。规则可以是任何类型的语句，包括数学公式、变量之间的比较、和逻辑操作。

规则归纳非常强大，因为你无需明确列出所有可能的模式，它就能在数据中自动查找模式。在定义了一些规则后，归纳搜索将自动在数据中找到与这些规则匹配的新模式。

在使用规则归纳时，需要记住几个关键事项：首先，要确保你的规则与你想解决的问题相关；第二，确保你的数据组织良好；第三，确保你的规则定义清晰简洁。

7 神经网络（Neural networks）

神经网络是一种计算机程序，可以用来模拟复杂的模式，通常需要大量数据的帮助。它们已被用于各种领域，如数据挖掘和机器学习。

神经网络特别适合于理解变量之间复杂关系的任务，例如预测事件的结果、或识别大型数据集中的模式。

8 关联学习（Association learning）

关联学习是一种数据挖掘技术，可以帮助发现数据中实体之间的关联。关联学习的目标是在数据中发现不明显的模式。

为什么要使用关联学习？

使用关联学习技术的原因有很多。例如，你可能希望找到两组数据之间的相关性，或者希望找到不同类型数据之间的关系。

关联学习是如何工作的？

关联学习的过程从训练数据集开始，使用这些数据集可以了解数据中的实体是如何关联的。在了解了这些关系的工作原理之后，你就可以使用这些知识来探索新的数据集。

总而言之，数据挖掘是一个不可或缺的工具，它可以帮助分析师们更好地工作。你可以选择使用许多不同的技术，每种技术都有自己的优点。通过学习和使用这些技术，分析师们可以提高他们在数据中发现模式和洞察的能力。感谢你的阅读！

原文作者：Alain Saamego
翻译作者：过儿
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://medium.com/illumination/8-data-mining-techniques-that-will-make-you-a-better-analyst-e19045f1f330