数据挖掘数据挖掘步骤在实施数据挖掘之前，先制定采取什么样的步骤，每一步都做什么，达到什么样的目标是必要的，有了好的计划才能保证数据挖掘有条不紊地实施并取得成功

很多软件供应商和数据挖掘顾问公司投提供了一些数据挖掘过程模型，来指导他们的用户一步步地进行数据挖掘工作

比如，SPSS公司的5A和SAS公司的SEMMA

 数据挖掘过程模型步骤主要包括定义问题、建立数据挖掘库、分析数据、准备数据、建立模型、评价模型和实施

下面让我们来具体看一下每个步骤的具体内容： (1)定义问题

在开始知识发现之前最先的也是最重要的要求就是了解数据和业务问题

必须要对目标有一个清晰明确的定义，即决定到底想干什么

比如，想提高电子信箱的利用率时，想做的可能是“提高用户使用率”，也可能是“提高一次用户使用的价值”，要解决这两个问题而建立的模型几乎是完全不同的，必须做出决定

(2)建立数据挖掘库

建立数据挖掘库包括以下几个步骤：数据收集，数据描述，选择，数据质量评估和数据清理，合并与整合，构建元数据，加载数据挖掘库，维护数据挖掘库

 (3)分析数据

分析的目的是找到对预测输出影响最大的数据字段，和决定是否需要定义导出字段

如果数据集包含成百上千的字段，那么浏览分析这些数据将是一件非常耗时和累人的事情，这时需要选择一个具有好的界面和功能强大的工具软件来协助你完成这些事情

 (4)准备数据

这是建立模型之前的最后一步数据准备工作

可以把此步骤分为四个部分：选择变量，选择记录，创建新变量，转换变量

 (5)建立模型

建立模型是一个反复的过程

需要仔细考察不同的模型以判断哪个模型对面对的商业问题最有用

先用一部分数据建立模型，然后再用剩下的数据来测试和验证这个得到的模型

有时还有第三个数据集，称为验证集，因为测试集可能受模型的特性的影响，这时需要一个独立的数据集来验证模型的准确性

训练和测试数据挖掘模型需要把数据至少分成两个部分，一个用于模型训练，另一个用于模型测试

 (6)评价模型

模型建立好之后，必须评价得到的结果、解释模型的价值

从测试集中得到的准确率只对用于建立模型的数据有意义

在实际应用中，需要进一步了解错误的类型和由此带来的相关费用的多少

经验证明，有效的模型并不一定是正确的模型

造成这一点的直接原因就是模型建立中隐含的各种假定，因此，直接在现实世界中测试模型很重要

先在小范围内应用，取得测试数据，觉得满意之后再向大范围推广

 (7)实施

模型建立并经验证之后，可以有两种主要的使用方法

第一种是提供给分析人员做参考；另一种是把此模型应用到不同的数据集上

以上内容由大学时代综合整理自互联网，实际情况请以官方资料为准。