⑴ 数据挖掘有什么步骤
1、业务理解(business understanding)业务理解，指从业务角度来理解项目目标和要求，接着把这些理解知识转换成数据挖掘问题的定义和实现目标的初规划。
2、数据理解(data understanding)
数据理解，指从数据收集开始，然后接着是一系列活动，这些活动的目的是：熟悉数据，甄别数据质量问题、发现对数据的真知灼见、或者探索出令人感兴趣的数据子集并形成对隐藏信息的假设。
3、数据准备(data preparation)
数据准备，指从初原始数据构建终建模数据的全部活动。数据准备很可能被执行多次并且不以任何既定的秩序进行。包括为建模工作准备数据的选择、转换、清洗、构造、整合及格式化等多种数据预处理工作。
4、建立模型(modeling)
建立模型，指选择和使用各种建模技术，并对其参数进行调优。一般地，相同数据挖掘问题类型会有几种技术手段。某些技术对于数据形式有特殊规定，这通常需要重新返回到数据准备阶段。
⑵ 大数据掘金——数据挖掘过程
1.商业问题理解
全面了解管理对新知识的需求以及对企业目标的明确认识。
进行项目规划，明确负责收集数据、分析数据、汇报结果的人员。在这一早期阶段，还应当对进行研究的经费预算，至少要给出预算上限和大致数据。
2.数据理解
将商业问题与使用数据完美匹配。
定量数据：用数值来衡量，可以是离散的，也可以使连续的。也成为分类数据包括定序和定类两种，定序数据有有限多个可排序的取值（差、好、极好），定类数据具有有限不可排序的取值（男、女）。定量数据可以由几组概率分布来表示。概率分布显示了数据是如何分布的
定性数据：可以进行编码，通过频率分布表示。
3.数据准备
数据处理。真实世界的数据通常都是不完全的（缺乏属性值、特殊性或只有总数）、杂乱的（包含错误或异常值）、不连续的（编码或名字中存在矛盾）。由于数据来自不同的数据源，它们之间具有不同的格式，如选取的数据可能来自平面文件、音频、图片或网页，必须转化为持续统一的格式。
4.建立模型
需要利用多种模型，经过多次实验和测量，找出解决某个实际问题的最佳方案。甚至对于单个模型或公式而言，也是需要对参数进行标准化才能得到最优结果。某些方法对数据格式有特殊要求，因此还需要退回到数据准备阶段重新处理。
数据挖掘建模的标准流程是将大规模未经处理数据分为小组，以进行测试或检验。然后分析师就可以根据一部分数据（实验组）建立模型（可以使用任何建模方法或公式），用另一部分数据（测试组）测试建立起来的模型。
5.检验和评估
对建立起来的模型进行测量和评估，确定其准确性和一般性。在实际环境中测试模型是否符合时间和财务的要求。这一发现过程的成功与否取决于数据分析师、商业分析师和决策者（如企业管理者）的互动。为了更好地解读数据，我们通常使用表格或可视化技术（如数据透视表、交叉表分析、饼图、柱状图、箱线图和散点图等）。
6.部署
数据部署这一步可能仅仅是给出一份报告，但也有可能要将整个数据挖掘过程在全公司重复一遍。
⑶ 描述数据挖掘包含哪些步骤
1、分类分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，...
⑷ 数据挖掘的完整步骤是怎样的
1、理解数据和数据的来源(understanding)。
2、获取相关知识与技术(acquisition)。
3、整合与检查数据(integration and checking)。
4、去除错误或不一致的数据(data cleaning)。
5、建立模型和假设(model and hypothesis development)。
6、实际数据挖掘工作(data mining)。
7、测试和验证挖掘结果(testing and verification)。
8、解释和应用(interpretation and use)。