一、association 關聯規則挖掘

    一個事件與另一個事件之間的一來關係。

    關聯規則演算法：Apriori 演算法：首先從事件中尋找所有頻繁出現的事件子集，然後再這些頻繁事件子集中發現可信度比較搞的規則。

二、聚類：聚類就是將資料物件劃分成若干個子類，在同一類中的物件具有較高的相似度，而不同類中的物件差異較大。

    聚類演算法：劃分方法、層次聚類方法

    k-Means：把n個數據物件劃分成k 個類，使每個類中的資料點到該類中心的距離平方和最小

    k-Medoids：

     和 聚集、分裂演算法

    層次方法：（Hierarchical Method ) 這種方法按照資料分層簡歷簇，形成一顆以簇為節點的樹。如果自底向上進行層次聚集，則稱為凝聚（Aggalomerative)的 層次聚類； 如果按照自定向下進行層次分解，成為裂法（Divisive）的層次聚類。

    視覺聚類演算法：

    聚類的基本原則：相似率、連續率、閉合率、近鄰率和對稱率。

三、預測

    資料探勘預測是通過對反映了事物輸入與輸出之間的關聯性的學習，得到預測模型，在利用該模型對未來資料進行預測的過程。

    典型的機器學習：決策樹方法，人工神經網路、支援向量機、正則化方法。

    決策樹：ID3 、 C4.5 用資訊增益比率作為選擇標準；合併連續屬性的值；可以處理具有缺少屬性值的訓練樣本；運用不同的剪枝技術來避免決策樹的過擬合現象；K次交叉驗證等。

    剪枝：預剪枝 ：簡歷規則限制決策樹的充分生長。 後剪枝：等決策樹生長完畢後剪去不具有一般性的葉子或者分支。

    人工神經網路：

    支援向量機(Support Vector Machines)： 

    正則化方法：：Lasso 模型 、 L1/2正則化模型及其迭代閾值演算法。

四、序列和時間序列

資料探勘工具軟體的效能測試報告：http://www.datamininglab.com