知識發現的知識類型
https://wiki.mbalib.com/zh-tw/%E7%9F%A5%E8%AF%86%E5%8F%91%E7%8E%B0
- 廣義型知識 (Generalization)：
- 分類型知識 (Classification & Clustering)：
- 關聯型知識 (Association)：查詢優化、推薦
- 預測型知識 (Prediction)：以「時間」為關鍵屬性
- 偏差型知識 (Deviation)：對差異值、極端值進行描述
資料探勘技巧
https://www.trendmicro.com/zh_tw/what-is/machine-learning/data-mining.html
- 模式追蹤 (pattern tracking)：這是一種尋找規律和模式的基本技巧，例如：當暴風雪來臨時，除雪鏟的銷量就會增加。只不過，您要尋找的不會是像這麼顯而易見的事實。
- 分類 (classification)：這是另一種將資料分門別類並指派類別的技巧。例如，您可以根據銀行客戶的金融史，來將客戶分成低、中、高三種信用風險等級。
- 關聯 (association)：這是另一種與模式追蹤類似的技巧。它尋找的是與某個些時機相關的變量。例如，當客戶將義大利麵放入購物車時，接下來他們通常會挑選醬汁。或者，在挑選醬汁之後，接著就是挑選帕瑪森起司。
- 異常偵測 (outlier detection)：這是一種專門尋找例外或異常狀況的資料探勘技巧。例如，一家以男性客戶主的商店，在六月份突然暴增了許多女性客戶的消費記錄。結果，這是因為這些女性客戶在父親節前一兩個禮拜來店選購父親節禮物。
- 集群 (clustering)：這是另一個性質上跟分類很像的技巧。只不過，此技巧是依據資料的相似性而將它們歸在一起。例如可利用購物頻率或可支配所得來作為客戶之間的共同點。
- 回歸 (regression)：這是根據過去的資料來對未來進行預測的技巧。回歸技巧主要是尋找過去的平均值，例如，房價通常會隨著時間而波動，其範圍大概是稍微高於或低於當下的平均價格。
- 預測 (prediction)：這是一種讓企業預測未來某項數值的資料探勘技巧。
——–
Knowledge Discovery in Database (KDD)
步驟1 — 訂定目標（identifying the goal）
從消費者觀點（the customer’s viewpoint），確認此次資料探索的目標。蒐集資料的範圍涵括各種相關的實務應用領域（application domain），以及所該具備的技術知識。
步驟2 — 建立目標資料集（creating a target data set）
選擇選擇一個我們有興趣或想更深入探索的資料集來執行運算分析。
步驟3 — 資料清理與前置處理（data cleaning and preprocessing）
對所選定的資料集做資料清理（data cleaning）與前置處理（data preprocessing）。 刪除資料中的雜訊（noise），例如離群值（outliers）、重複紀錄、不正確的屬性值等，同時對資料不足的欄位進行填補（填補方法通常會以平均值，或是高度類似的範例值進行替代）。當資料越完整，對下一步的分析越有利。
步驟4 — 資料轉換（data transformation）
資料轉換主要在進行資料減縮與投影（data reduction and projection），操作上，使用降維（dimensionality reduction）技術，來減少所考慮變數的有效數目。
（以下步驟5–7，皆為資料採礦（data mining）的程序。）
步驟5 — 選擇資料探勘方法（Choosing the data mining method）
例如：分類（classification）、分群（clustering）、關聯（Association）等分析方法。
步驟6 — 選擇資料探勘演算法（Choosing the data mining algorithms）
選擇一個或多個適當的資料探勘的演算法（例如：Decision Tree、Naïve Bayes、Logistic Regression、Random Forest、SVM、Neural Network、K-means、Apriori…等）。這些過程必須要決定哪些模型與參數的選用是適當的，以及再次確定選定的資料探勘方法與KDD整個過程的衡量指標是否一致（例如：相較於模型的預測能力，最終使用者可能對模型的建立更感興趣）。
步驟7 — 資料探勘（data mining）
選定資料模式（patterns）呈現的形式，如：決策樹圖、迴歸分析圖、聚類分析圖…等。讓最終使用者了解根據前面各程序步驟所獲得的資料探勘結果。
步驟8 — 解釋探勘模式（interpreting mined patterns）
對最終選定的資料探勘模式進行解釋。過程中，可能需要返回步驟一至七中的任何一個步驟並且重複執行。
步驟9 — 鞏固發現的知識（acting on the discovered knowledge）
運用KDD最終發現的知識結果並採取行動。同時，也要檢視該知識結果與過去的觀點是否一致。
最後，KDD程序強調步驟之間的交互影響，並且不斷地反覆運行其中的步驟。