摘要:主要介紹了數據挖掘的產生、發(fā)展、定義和任務，討論了常用的挖掘方法和工具，最后舉例介紹了數據挖掘的一些應用.
關鍵詞:數據挖掘;知識發(fā)現;決策樹

Abstract:Th isp aperin troducedt heb irth,th ed evelopment,th ec oncepta ndt het asko fd atamining.methods and tools of data mining in cmmon use.In the end, the author introduced some applications of example.
Key words:data mining; KDD(knowledge discovery in database);decision tree

數據挖掘技術的由來及其發(fā)展當今 數 據 容量規(guī)模已經達到萬億字節(jié)(TB)的水平，被人們稱為信息爆炸，這些過量的數據引起的挑戰(zhàn)是:一方面規(guī)模龐大、紛繁復雜的數據體系讓使用者漫無頭緒、無從下手;另一方面在這些大量數據的背后卻隱藏著很多具有決策意義的有價值的信息.目前的數據庫系統(tǒng)可以高效地實現數據的錄人、查詢、統(tǒng)計等功能，但無法發(fā)現數據中存在的關系和規(guī)則，無法根據現有的數據預測未來的發(fā)展趨勢.缺乏挖掘數據背后隱藏的知識的手段，導致了“數據爆炸但知識貧乏”的現象.那么，如何發(fā)現這些有用的知識，使之為管理決策和經營戰(zhàn)略發(fā)展服務?計算機科學給出的最新回答是:數據挖掘(Data Mining).數據 挖 掘 (DataM ining)一詞是在1989年8月于美國底特律市召開的第十一界國際聯合人工智能學術會議上正式形成的，常常與KDD (KnowledgeDiscovery in Database)混用.從1995年開始，每年主辦一次KDD國際學術會議，將KDD和DM (DataMining)方面的研究推向了高潮，從此，“數據挖掘”一詞開始流行.在中文文獻中，DM有時還被翻譯為“數據采掘”、“數據開采”、“數據發(fā)掘”等.數據 挖 掘 其實是一個逐漸演變的過程，電子數據處理的初期，人們就試圖通過某些方法來實現自動決策支持，當時機器學習成為人們關心的焦點.機器學習的過程就是將一些已知的并已被成功解決的問題作為范例輸人計算機，機器通過學習這些范例總結并生成相應的規(guī)則，這些規(guī)則具有通用性，使用它們可以解決某一類的問題.