数据挖掘技术具体包括哪些方法或工具？

本文共计2067个文字，预计阅读时间需要9分钟。

数据挖掘技术包括：1. 统计技术；2. 关联规则；3. 历史分析；4. 遗传算法；5. 聚类检测；6. 连接分析；7. 决策树；8. 神经网络；9. 粗糙集；10. 模糊集；11. 回归分析；12. 差分分析。

数据挖掘技术有：1、统计技术；2、关联规则；3、基于历史的分析；4、遗传算法；5、聚集检测；6、连接分析；7、决策树；8、神经网络；9、粗糙集；10、模糊集；11、回归分析；12、差别分析；13、概念描述等。

本教程操作环境：windows7系统、Dell G3电脑。

数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。

数据挖掘的任务是从数据集中发现模式，可以发现的模式有很多种，按功能可以分为两大类：预测性(Predictive)模式和描述性(Descriptive)模式。

数据挖掘的技术有很多种，按照不同的分类有不同的分类法。下面着重讨论一下数据挖掘中常用的一些技术：统计技术，关联规则，基于历史的分析，遗传算法，聚集检测，连接分析，决策树，神经网络，粗糙集，模糊集，回归分析，差别分析，概念描述等十三种常用的数据挖掘的技术。

1、统计技术

数据挖掘涉及的科学领域和技术很多，如统计技术。统计技术对数据集进行挖掘的主要思想是：统计的方法对给定的数据集合假设了一个分布或者概率模型(例如一个正态分布)然后根据模型采用相应的方法来进行挖掘。

2、关联规则

数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之I司存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。