用于數據挖掘的聚類算法有哪些，各有何優勢？

K-m

數據挖掘的主要方法？

可應用于客戶分類、客戶屬性和特征分析、客戶滿意度分析、客戶購買趨勢預測等。例如，一家汽車零售商根據客戶對汽車的偏好將客戶分為不同的類別，這樣營銷人員就可以直接將新車的廣告宣傳冊郵寄給有這種偏好的客戶，從而大大增加了商機。

2.回歸分析。回歸分析方法反映事務數據庫中屬性值的時間特性，生成將數據項映射到實值預測變量的函數，并找到變量或屬性之間的依賴關系。其主要研究問題包括數據序列的趨勢特征、數據序列的預測以及數據之間的相關性。

數據挖掘的主要方法？

數據挖掘的常用方法有:

神經網絡方法

神經網絡以其良好的魯棒性、自組織和自適應性、并行處理、分布式存儲和高容錯性，非常適合解決數據挖掘問題，近年來受到越來越多的關注。

遺傳算法

遺傳算法是一種基于生物自然選擇和遺傳機制的隨機搜索算法，是一種仿生全局優化方法。遺傳算法因其隱含的并行性和易于與其他模型結合而被應用于數據挖掘。

決策樹方法

決策樹是預測模型中常用的算法，通過有目的地對大量數據進行分類，發現一些有價值的潛在信息。其主要優點是描述簡單，分類速度快，特別適合大規模數據處理。

粗糙集方法

粗糙集理論是一種研究不精確和不確定知識的數學工具。粗糙集方法有幾個優點:不需要給出額外的信息來簡化輸入信息的表達空間，算法簡單易操作。粗糙集處理的對象是類似于二維關系表的信息表。

數據挖掘的主要方法？

數據挖掘的基本步驟是:1.定義問題；2.建立數據挖掘數據庫；3.分析數據；4.準備數據；5.建立模型；6.評估模型；7.實施。

具體步驟如下:

1.定義問題

知識發現之前的第一個也是最重要的要求是理解數據和業務問題。目標一定要有明確的定義，就是決定自己要做什么。例如，我想提一下當電子郵件的使用率很高的時候，我們想做的可能是to"提高用戶利用率or"提高用戶一次性使用的價值。為解決這兩個問題而建立的模型幾乎完全不同，我們必須做出決定。

2.建立數據挖掘數據庫。

數據挖掘數據庫的建立包括以下步驟:數據收集、數據描述、選擇、數據質量評估和數據清洗、合并和集成、元數據構建、數據挖掘數據庫加載和數據挖掘數據庫維護。

3.分析數據

分析的目的是找到對預測輸出影響最大的數據字段，并決定是否有必要定義導出字段。如果數據集包含數百個字段，瀏覽和分析這些數據將是一件非常耗時和累人的事情。這時候你就需要選擇一個界面好，功能強大的工具軟件來幫你完成這些事情。

4.準備數據

這是建立模型前數據準備的最后一步。這一步可以分為四個部分:選擇變量、選擇記錄、創建新變量和轉換變量。

5.建立模型

建模是一個迭代的過程。需要仔細檢查不同的模型，以確定哪種模型對所面臨的業務問題最有用。先用一部分數據建立模型，再用剩下的數據對得到的模型進行檢驗和驗證。有時會有第三個數據集，稱為驗證集，因為測試集可能會受到模型特性的影響，需要一個獨立的數據集來驗證模型的準確性。訓練和測試數據挖掘模型需要將數據至少分成兩部分，一部分用于模型訓練，另一部分用于模型測試。

6.評價模型

模型建立后，我們必須對結果進行評估，并解釋模型的價值。從測試集中獲得的準確性僅對用于構建模型的數據有意義。在實際應用中，有必要進一步了解錯誤的類型以及相關的開銷。經驗證明，有效的模式不一定是正確的模式。造成這種情況的直接原因是模型建立中隱含的各種假設，所以直接在現實世界中對模型進行檢驗是非常重要的。先小范圍應用，拿到測試數據，感覺滿意后再大面積推廣。

7.履行

模型建立并驗證后，主要有兩種使用方法。首先是給分析師提供參考；二是將該模型應用于不同的數據集。