1、数据挖掘的特点：

　　数据挖掘的数据源必须是真实的；

　　数据挖掘所处理的数据必须是海量的；

　　查询一般是决策制定者（用户）提出的随机查询；

　　挖掘出来的知识一般是不能预知的；

2、数据挖掘算法的组成：

　　模型或模式结构；

　　数据挖掘任务；

　　评分函数；

　　搜索和优化方法；

　　数据管理策略；

3、根据数据分析者的目标，可以将数据挖掘任务分为：

　　模式挖掘：致力于从数据中寻找模式，比如寻找频繁模式，异常点等；

　　描述建模：目标是描述数据的全局特征。

　　预测建模：根据现有数据先建立一个模型，然后应用这个模型来对未来的数据进行预测。

　　　　当被预测的变量是范畴型（category）时，称之为分类；

　　　　当被预测的变量是数量型（quantitative）时，称之为回归。

　　描述和预测的关键区别是：预测的目标是唯一的变量，如信用等级、疾病种类等，而描述并不以单一的变量为中心。

　　描述建模的典型例子是聚类分析。

4、评分函数

　　评分函数用来对数据集与模型（模式）的拟合程度进行评估。

　　不存在绝对“正确”的模型（模式），所有模型（模式）都是对现有数据的一种近似。从这个角度来讲，如果模型（模式）没有随着现有数据的变化而剧烈变化，这个模型（模式）就是能够接受的了。换句话说，对数据的微小变化不太敏感的模型（模式）才是一个好的模型（模式）。

  　　 评分函数衡量了提出的模型（模式）与现有数据集的拟合程度。

 　　搜索和优化的目标是确定模型（模式）的结构及其参数值，以使评分函数达到最小值（或最大值）。

5、搜索和优化方法

 　　如果模型（模式）的结构已经确定，则搜索将在参数空间内进行，目的是针对这个固定的模型（模式）结构，优化评分函数。

6、组件化思想的应用

　　但是，随着数据集的增大，计算效率将变得越来越重要。对于海量数据，必须在模型（模式）的完备性和计算效率之间进行平衡，以期对现有数据达到某种程度的拟合。

数据仓库与数据挖掘（一）