資料探勘的建模過程

1. 定義挖掘目標
   明確系統完成後想要達成什麼樣的效果。
   我們需要分析應用領域，瞭解相關領域的情況，熟悉背景知識，弄清使用者需求。
2. 資料取樣
   從業務系統中抽取一個與挖掘目標相關的樣本資料子集。
   抽取資料的標準，一是相關性，二是可靠性，三是有效性。
   衡量取樣資料質量的標準如下：
   1）資料完整無缺，各類指標項齊全。
   2）資料準確無誤，反映的都是正常（而不是異常）狀態下的水平。
3. 資料探索
   檢驗樣本是否達到我們原來設想的要求，對資料進行探索，稽核和必要的加工處理。
   資料探索和預處理的目的是為了保證樣本資料的質量，從而為保證模型質量打下基礎。
   資料探索主要包括：異常值分析、缺失值分析，相關分析和週期性分析
   等
4. 資料預處理
   當資料維度過大，如何進行將未處理、缺失值處理等都是資料預處理要解決的問題。
   由於取樣資料中常常包含許多含有噪聲、不完整，甚至不一致的資料，對資料探勘所涉及的資料物件必須進行預處理。
   資料預處理主要包括：資料篩選、資料變數轉換、缺失值處理、壞資料處理、資料標準化、主成分分析、屬性選擇、資料規約等。
5. 挖掘建模
6. 這是資料探勘工作的核心環節。
   考慮本次建模屬於資料探勘應用中的那類問題(分類，聚類，關聯規則，時許模式或者智慧推薦)，選用哪種演算法進行模型構建。
7. 模型評價
8. 從這些模型中自動找出一個最好的模型，還要根據業務對模型進行解釋和應用。

資料探勘建模工具
Python
Python是一種面向物件、解釋型計算機程式設計語言，它擁有高效的高階資料結構，並且能夠用簡單而又高效的方式進行面向物件程式設計。
在資料探勘領域，它提供了眾多擴充套件庫。例如：
科學計算擴充套件庫NumPy、Scipy和matplotlib，它們分別為python提供了快速陣列處理、數值運算以及繪圖功能。
機器學習相關的Sklearn類庫，它提供了完善的機器學習工具箱，包括資料預處理、分類、迴歸、聚類、預測、模型分析等。
總的來講，python是一門比較適合資料探勘的語言。