A. 数据挖掘常用的方法有哪些
1、分类分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到摸个给定的类别中。可以应用到涉及到应用分类、趋势预测中，如淘宝商铺将用户在一段时间内的购买情况划分成不同的类，根据情况向用户推荐关联类的商品，从而增加商铺的销售量。
主要的分类方法：决策树、KNN 法 (K-Nearest Neighbor)、SVM 法、VSM 法、Bayes 法、神经网络等。
2、聚类
聚类指事先并不知道任何样本的类别标号，按照对象的相似性和差异性，把一组对象划分成若干类，并且每个类里面对象之间的相似度较高，不同类里面对象之间相似度较低或差异明显。我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起，聚类是一种无监督学习。
聚类的方法(算法)：主要的聚类算法可以划分为如下几类，划分方法、层次方法、基于密度的方法、基于网格的方法、基于模型的方法。每一类中都存在着得到广泛应用的算法， 划分方法中有 k-means 聚类算法、层次方法中有凝聚型层次聚类算法、基于模型方法中有神经网络聚类算法。
3、回归分析
回归分析是一个统计预测模型，用以描述和评估因变量与一个或多个自变量之间的关系;反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系。
回归分析的应用：回归分析方法被广泛地用于解释市场占有率、销售额、品牌偏好及市场营销效果。它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。
回归分析的主要研究问题：数据序列的趋势特征、数据序列的预测、数据间的相关关系等。
4、关联规则
关联规则是隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现。关联规则是描述数据库中数据项之间所存在的关系的规则。
5、神经网络方法
神经网络作为一种先进的人工智能技术，因其自身自行处理、分布存储和高度容错等特性非常适合处理非线性的问题，以及那些以模糊、不完整、不严密的知识或数据为特征的问题，它的这一特点十分适合解决数据挖掘的问题。
6、Web数据挖掘
web数据挖掘是一项综合性技术，指Web从文档结构和使用的集合C中发现隐含的模式P，如果将C看做是输入，P 看做是输出，那么Web 挖掘过程就可以看做是从输入到输出的一个映射过程。
7、特征分析
特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。
8、偏差分析
偏差是数据集中的小比例对象。通常，偏差对象被称为离群点、例外、野点等。偏差分析就是发现与大部分其他对象不同的对象。
B. 数据挖掘的方法有哪些
利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等， 它们分别从不同的角度对数据进行挖掘。
1、分类
分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。
2、回归分析
回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。
3、聚类
聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。
4、关联规则
关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。
5、特征
特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。
6、变化和偏差分析
偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。
7、Web页挖掘
随着Internet的迅速发展及Web 的全球普及， 使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web 的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机。
C. 数据库查询出售价最高的销售总数量怎么算
假如产品表为 tb ，表中有产品编号字段， 销售表为 tb2有仔闭销售数量字段念简裂，他们通过产品id关联咐盯
如果是求所有销售数量的总和
select tb.产品编号，svm(销售数量) as 总销售数量
from the inner join tb2 on tb.产品id=tb2.产品id
D. 数据挖掘算法有哪些
统计和可视化要想建立一个好的预言模型，你必须了解自己的数据。最基本的方法是计算各种统计变量（平均值、方差等）和察看数据的分布情况。你也可以用数据透视表察看多维数据。数据的种类可分为连续的，有一个用数字表示的值（比如销售量）或离散的，分成一个个的类别（如红、绿、蓝）。离散数据可以进一步分为可排序的，数据间可以比较大小（如，高、中、低）和标称的，不可排序（如邮政编码）。图形和可视化工具在数据准备阶段尤其重要，它能让你快速直观的分析数据，而不是给你枯燥乏味的文本和数字。它不仅让你看到整个森林，还允许你拉近每一棵树来察看细节。在图形模式下人们很容易找到数据中可能存在的模式、关系、异常等，直接看数字则很难。可视化工具的问题是模型可能有很多维或变量，但是我们只能在2维的屏幕或纸上展示它。比如，我们可能要看的是信用风险与年龄、性别、婚姻状况、参加工作时间的关系。因此，可视化工具必须用比较巧妙的方法在两维空间内展示n维空间的数据。虽然目前有了一些这样的工具，但它们都要用户“训练”过他们的眼睛后才能理解图中画的到底是什么东西。对于眼睛有色盲或空间感不强的人，在使用这些工具时可能会遇到困难。聚集（分群）聚集是把整个数据库分成不同的群组。它的目的是要群与群之间差别很明显，而同一个群之间的数据尽量相似。与分类不同（见后面的预测型数据挖掘），在开始聚集之前你不知道要把数据分成几组，也不知道怎么分（依照哪几个变量）。因此在聚集之后要有一个对业务很熟悉的人来解释这样分群的意义。很多情况下一次聚集你得到的分群对你的业务来说可能并不好，这时你需要删除或增加变量以影响分群的方式，经过几次反复之后才能最终得到一个理想的结果。神经元网络和K-均值是比较常用的聚集算法。不要把聚集与分类混淆起来。在分类之前，你已经知道要把数据分成哪几类，每个类的性质是什么，聚集则恰恰相反。关联分析关联分析是寻找数据库中值的相关性。两种常用的技术是关联规则和序列模式。关联规则是寻找在同一个事件中出现的不同项的相关性，比如在一次购买活动中所买不同商品的相关性。序列模式与此类似，他寻找的是事件之间时间上的相关性，如对股票涨跌的分析。关联规则可记为A==>B，A称为前提和左部（LHS），B称为后续或右部（RHS）。如关联规则“买锤子的人也会买钉子”，左部是“买锤子”，右部是“买钉子”。要计算包含某个特键岩定项或几个项的事务在数据库中出现的概率只要在数据库中直接统计即可。某一特定关联（“锤子和钉子”）在数据库中出现的频率称为支持度。比如在总共1000个事务中有15个事务同时包含了“锤子和钉子”，则此关联的支持度为1.5%。非常低的支持度（比如1百万个事务中只有一个）可能意味着此关联不是很重要，或出现了错误数据（如，“男性和怀孕”）。要找到有意义的规则，我们还要考察规则中项及其组合出现的相对频率。当已有A时，B发生的概率是多少？也即概率论中的条件概率。回到我们的例子，也就是问“当一个人已经买了锤子，那他有多大的可能也会买钉子？”这个条件概率在数据挖掘中也称为可信度，计算方法是求百分比：（A与B同时出现的频率）/（A出现的频率）。让我们用一个例子更详细的解释这些概念： 总交易笔数（事务数）：1,000包含“锤子”：50包含“钉子”：80包含“钳子”：20包含“锤子”和“钉子”：15包含“钳子”和“钉子”：10包含“锤子”和“钳子”：10包含“锤子”液亮举、“钳子”和“钉子”：5 则可以计算出： “锤子和钉子”的支持度=1.5%（15/1,000）“锤子、钉子和钳子”的支持度=0.5%（5/1,000）“锤子==>钉子”的可信度=30%（15/50）“钉子==>锤子”的可信度=19%（15/80）“锤子和钉子==>钳子”的可信度=33%（5/15）“钳子==>锤子和闹碧钉子”的可信度=25%（5/20）
E. 数据挖掘算法有哪些
问题一：常用的数据挖掘算法有哪几类？ 10分 有十大经典算法： 我是看谭磊的那本书学的。。。
下面是网站给出的答案：
1. C4.5
C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：
1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；
2) 在树构造过程中进行剪枝；
3) 能够完成对连续属性的离散化处理；
4) 能够对不完整数据进行处理。
C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。
2. The k-means algorithm 即K-Means算法
k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k >
问题二：数据挖掘中的预测算法有哪些 数据挖掘（六）：预测
blog.csdn/...977837
问题三：用于数据挖掘的分类算法有哪些，各有何优劣 朴素贝叶斯(Naive Bayes, NB)
超级简单，就像做一些数数的工作。如果条件独立假设成立的话，NB将比鉴别模型（如Logistic回归）收敛的更快，所以你只需要少量的训练数据。即使条件独立假设不成立，NB在实际中仍然表现出惊人的好。如果你想做类似半监督学习，或者是既要模型简单又要性能好，NB值得尝试。
Logistic回归(Logistic Regression, LR)
LR有很多方法来对模型正则化。比起NB的条件独立性假设，LR不需要考虑样本是否是相关的。与决策树与支持向量机（SVM）不同，NB有很好的概率解释，且很容易利用新的训练数据来更新模型（使用在线梯度下降法）。如果你想要一些概率信息（如，为了更容易的调整分类阈值，得到分类的不确定性，得到置信区间），或者希望将来有更多数据时能方便的更新改进模型，LR是值得使用的。
决策树（Decision Tree, DT）
DT容易理解与解释（对某些人而言――不确定我是否也在他们其中）。DT是非参数的，所以你不需要担心野点（或离群点）和数据是否线性可分的问题（例如，DT可以轻松的处理这种情况：属于A类的样本的特征x取值往往非常小或者非常大，而属于B类的样本的特征轿伍x取值在中间范围）。DT的主要缺点是容易过拟合，这也正是随机森林（Random Forest, RF）（或者Boosted树）等集成学习算法被提出来的原因。此外，RF在很多分类问题中经常表现得最好（我个人相信一般比SVM稍好），且速度快可扩展，也不像SVM那样需要调整大量的参数，所以最近RF是一个非常流行的算法。
支持向量机（Support Vector Machine, SVM）
很高的分类正确率，对过拟合有很好的理论保证，选取合适的核函数，面对特征线性不可分的问题也可以表现得很好。SVM在维数通常很高的文本分类中非常的流行。由于较大的内存需求和搏帆瞎繁琐的调参，我认为RF已经开始威胁其地位了。
回到LR与DT的问题（我更倾向是LR与RF的问题），做个简单的总结：两种方法都很快且可扩展。在正确率方面，RF比LR更优。但是LR可以在线更新且提供有用的概率信息。鉴于你在Square(不确定推断科学家是什么，应该不是有趣的化身)，可能从事欺诈检测：如果你想快速的调整阈值来改变假阳性率与假阴性率，分类结果中包含概率信息将很有帮助。无论你选择什么算法，如果你的各类样本数量是不基空均衡的（在欺诈检测中经常发生），你需要重新采样各类数据或者调整你的误差度量方法来使各类更均衡。
问题四：数据挖掘与算法是什么关系？ data mining：数据挖掘一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性（属于Association rule learning）的信息的过程。reference:数据挖掘2.聚类和分类：关于这些，我相信再好的算法，都会有一定的准确度，我没有说这些东西不重要。3.如果你的数据量足够大，举个例子说明吧，数据挖掘是这样做的，你要判断什么样的苹果是甜的，应该这样做，去超市买苹果，总结甜苹果的特征 A B ，第二次你也去买苹果，就选具备这些特征值的。存的的问题有可能买到的苹果还不是甜的，可能原因是要同时包含特征C。但是如果你数据量足够大，足够大，你要买的苹果直接能够找到，一模一样的苹果，是不是甜的，都已经知道啦，直接取出来不就好了吗？前提是数据你想要什么有什么。@黄宇恒@肖智博@葛少华@余天升
问题五：数据挖掘的方法有哪些？ 利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等， 它们分别从不同的角度对数据进行挖掘。1、分类分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。2、回归分析回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。3、聚类聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。它可以应用到客户群体的分丹、客户背景分析、客户购买趋势预测、市场的细分等。4、关联规则关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。5、特征特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。6、变化和偏差分析偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。7、Web页挖掘随着Internet的迅速发展及Web 的全球普及， 使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web 的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机。
问题六：数据挖掘中常见的分类方法有哪些 判别分析、规则归纳、决策树、神经网络、K最近邻、基于案例的推理、遗传算法等等挺多的，这个问题范围太大了，云速数据挖掘分类挺多。
问题七：数据挖掘的方法有哪些 利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等， 它们分别从不同的角度对数据进行挖掘。
1、分类
分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。
2、回归分析
回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。
3、聚类
聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。
4、关联规则
关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。
5、特征
特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。
6、变化和偏差分析
偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。
7、Web页挖掘
随着Internet的迅速发展及Web 的全球普及， 使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web 的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机。
问题八：用于数据挖掘的分类算法有哪些，各有何 数据挖掘可以看看【云速数据挖掘】，全中文界面，只要设置好挖掘的熟悉，什么信息都能挖掘到
问题九：大数据挖掘常用的方法有哪些 在大数据时代，数据挖掘是最关键的工作。大数据的挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的过程，也是一种决策支持过程。其主要基于人工智能，机器学习，模式学习，统计学等。通过对大数据高度自动化地分析，做出归纳性的推理，从中挖掘出潜在的模式，可以帮助企业、商家、用户调整市场政策、减少风险、理性面对市场，并做出正确的决策。目前，在很多领域尤其是在商业领域如银行、电信、电商等，数据挖掘可以解决很多问题，包括市场营销策略制定、背景分析、企业管理危机等。大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。这些方法从不同的角度对数据进行挖掘。
(1)分类。分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到摸个给定的类别中。可以应用到涉及到应用分类、趋势预测中，如淘宝商铺将用户在一段时间内的购买情况划分成不同的类，根据情况向用户推荐关联类的商品，从而增加商铺的销售量。
(2)回归分析。回归分析反映了数据库中数据的属性值的特性，通过函数表达数据映射的关系来发现属性值之间的依赖关系。它可以应用到对数据序列的预测及相关关系的研究中去。在市场营销中，回归分析可以被应用到各个方面。如通过对本季度销售的回归分析，对下一季度的销售趋势作出预测并做出针对性的营销改变。
(3)聚类。聚类类似于分类，但与分类的目的不同，是针对数据的相似性和差异性将一组数据分为几个类别。属于同一类别的数据间的相似性很大，但不同类别之间数据的相似性很小，跨类的数据关联性很低。
(4)关联规则。关联规则是隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现。关联规则的挖掘过程主要包括两个阶段：第一阶段为从海量原始数据中找出所有的高频项目组;第二极端为从这些高频项目组产生关联规则。关联规则挖掘技术已经被广泛应用于金融行业企业中用以预测客户的需求，各银行在自己的ATM 机上通过捆绑客户可能感兴趣的信息供用户了解并获取相应信息来改善自身的营销。
(5)神经网络方法。神经网络作为一种先进的人工智能技术，因其自身自行处理、分布存储和高度容错等特性非常适合处理非线性的以及那些以模糊、不完整、不严密的知识或数据为特征的处理问题，它的这一特点十分适合解决数据挖掘的问题。典型的神经网络模型主要分为三大类：第一类是以用于分类预测和模式识别的前馈式神经网络模型，其主要代表为函数型网络、感知机;第二类是用于联想记忆和优化算法的反馈式神经网络模型，以Hopfield 的离散模型和连续模型为代表。第三类是用于聚类的自组织映射方法，以ART 模型为代表。虽然神经网络有多种模型及算法，但在特定领域的数据挖掘中使用何种模型及算法并没有统一的规则，而且人们很难理解网络的学习及决策过程。
(6)Web数据挖掘。Web数据挖掘是一项综合性技术，指Web 从文档结构和使用的 *** C 中发现隐含的模式P，如果将C看做是输入，P 看做是输出，那么Web 挖掘过程就可以看做是从输入到输出的一个映射过程。
当前越来越多的Web 数据都是以数据流的形式出现的，因此对Web 数据流挖掘就具有很重要的意义。目前常用的Web数据挖掘算法有：PageRank算法，HITS算法以及LOGSOM 算法。这三种算法提到的用户都是笼统的用户，并没有区分用户的个体。目前Web 数据挖掘面临着一些问题，包括：用户的分类问题、网站内容时效性问题，用户在页面......>>
F. 名词解释数据规范化
数据规范化名词解释
数据在应用过程中相对比较繁杂。为了能够更好的应用数据，并以需要进行格式化的排列，以备不时之需。简称数据规范化。
数据规范化处理是数据挖掘的一项基本操作。现实中，数据中不同特征的量纲可能不一致，数值间的差别可能很大，不进行处理可能会影响到数据分析的结果，因此，需要对数据按照一定比例进行缩放，使之落在一个特定的区域，便于进行综合分析。
特别是基于距离的挖掘方法，在建模前一定要对数据进行规范化处理，如SVM,KNN,K-means，聚类等方法。
(6)svm数据库扩展阅读：
数据规范化的几种方法：
在数据分析之前，都需要让数据满足一定的规律，达到规范性的要求，便于进行挖掘。
如果不进行变换的话，要不就是维数过多增加了计算成本，要不就是数据过于集中，很难找到数据之间的特征。
在数据变换中，重点是如何将数值进行规范化，有三种常用的规范方法，分别是Min-Max规范化、Z-Score规范化、小数定标规范化。
1.Min-max规范化：
将原始数据投射到指定的空间[min,max]。可用公式表示为：
新数值 = （原数值-极小值）/ （极大值 - 极小值） 。
SciKit-Learn中的MinMaxScaler可以完成这个功能。
2.Z-Score规范化：
将原始数据转换为正态分布的形式，使结果易于比较。可用公式表示为：
新数值 = （原数值 - 均值）/ 标准差。
在SciKit-Learn中的preprocessing.scale（)可以直接将给定数据进行Z-Score规范化。
3.小数定标规范化：
通过移动小数点的位置来进行规范化。小数点移动的位数取决于该属性数据取值的最大绝对值。
例如：属性A的取值范围是-800到70，那么就可以将数据的小数点整体向左移三位即[-0.8,0.07]。
参考资料来源：网络-数据标准化
数据库 名词解释
定义1
严格地说，数据库是“按照数据结构来组织、存储和管理数据的仓库”。在经济管理的日常工作中，常常需要把某些相关的数据放进这样的“仓库”，并根据管理的需要进行相应的处理。例如，企业或事业单位的人事部门常常要把本单位职工的基本情况（职工号、姓名、年龄、性别、籍贯、工资、简历等）存放在表中，这张表就可以看成是一个数据库。有了这个"数据仓库"我们就可以根据需要随时查询某职工的基本情况，也可以查询工资在某个范围内的职工人数等等。这些工作如果都能在计算机上自动进行，那我们的人事管理就可以达到极高的水平。此外，在财务管理、仓库管理、生产管理中也需要建核败闷立众多的这种"数据库"，使其可以利用计算机实现财务、仓库、生产的自动化管理。 J.Martin给数据库下了一个比较完整的定义：数据库是存储在一起的相关数据的 *** ，这些数据是结构化的，无有害的或不必要的冗余，并为多种应用服务；数据的存储独立于使用它的程序；对数据库插入新数据，修改和检索原有数据均能按一种公用的和可控制的方式进行。当某个系统中存在结构上完全分开的若干个数据库时，则该系统包含一个“数据库 *** ”。
定义2
数据库是依照某种数据模型组织起来并存放二级存储器中的数据 *** 。这种数据 *** 具有如下特点：尽可能不重复，以最优方式为某个特定组织的多种应用服务，其数据结构独立于使用它的应用程序，对数据的增、删、改和检索由统一软件进行管理和控制。从发展的历史看，数据库是数据管理的高级阶段，它是由文件管理系统发展起来的。
定义3
（伯尔尼公约议定书专家委员会的观点） 所有的信息（数据率档）的编纂物，不论其是以印刷形式，计算机存储单元形式，还是其它形式存在，都应视为“数据库”。 数字化内容选择的原因有很多，概括起来主要有： （1）存储空间的原因。数字化的产品是通过网络被广大用户存取利用，而大家都知道数字化产品是存放在磁盘阵列上的，磁盘阵列由服务器来管理，磁盘空间是有限的，服务器的能力也是有限的，不可能无 *** 地存入数字资源，这就需要我们对文献资源数字化内容进行选择。 （2）解决数字化生产高成本和图书馆经费有限性之间矛盾的需要。几乎没有图书馆有充枯搜足的资源来对整个馆藏进行数字化，内容选择不可避免。 （3）数字资源管理的需要。技术的快速发展使数字化项目所生成的数改弯字资源的生命周期越来越短，投入巨资进行数字迁移是延长数字资源生命的1个重要途径，昂贵的维护成本就必须考虑数字化的内容选择。 数据库发展史数据库技术从诞生到现在，在不到半个世纪的时间里，形成了坚实的理论基础、成熟的商业产品和广泛的应用领域，吸引越来越多的研究者加入。数据库的诞生和发展给计算机信息管理带来了一场巨大的革命。三十多年来，国内外已经开发建设了成千上万个数据库，它已成为企业、部门乃至个人日常工作、生产和生活的基础设施。同时，随着应用的扩展与深入，数据库的数量和规模越来越大，数据库的研究领域也已经大大地拓广和深化了。30年间数据库领域获得了三次计算机图灵奖（C.W. Bachman,E.F.Codd, J.Gray），更加充分地说明了数据库是一个充满活力和创新精神的领域。就让我们沿着历史的轨迹，追溯一下数据库的发展历程。 传统上，为了确保企业持续扩大的IT系统稳定运行，一般用户信息中心往往不仅要不断更新更大容量的IT运维软硬件设备，极大浪费企业资源；更要长期维持一支由数据库维护、服务器维护、机房值班等各种维护人员组成的运维大军，维护成本也随之节节高升。为此，企业IT决策者开始思考：能不能像拧水龙头一样按需调节的使用IT运维服务？而不是不断增加已经价格不菲的运维成本。
定义4
数据库（DataBase,DB）是一个长期存储在计算机内的、有组织的、有共享的、统一管理的数据 *** 。她是一个按数据结构来存储和管理数据的计算机软件系统。数据库的概念实际包括两层意思： （1）数据库是一个实体，它是能够合理保管数据的“仓库”，用户在该“仓库”中存放要管理的事务数据，“数据”和“库”两个概念结合成为数据库。 （2）数据库是数据管理的新方法和技术，他能更合适的组织数据、更方便的维护数据、更严密的控制数据和更有效的利用数据。
数据规范化名词解释
数据在应用过程中相对比较繁杂。
为了能够更好的应用数据，并以需要进行格式化的排列，以备不时之需。简称数据规范化。
数据规范化处理是数据挖掘的一项基本操作。现实中，数据中不同特征的量纲可能不一致，数值间的差别可能很大，不进行处理可能会影响到数据分析的结果，因此，需要对数据按照一定比例进行缩放，使之落在一个特定的区域，便于进行综合分析。
特别是基于距离的挖掘方法，在建模前一定要对数据进行规范化处理，如SVM,KNN,K-means，聚类等方法。 (6)svm数据库扩展阅读： 数据规范化的几种方法： 在数据分析之前，都需要让数据满足一定的规律，达到规范性的要求，便于进行挖掘。
如果不进行变换的话，要不就是维数过多增加了计算成本，要不就是数据过于集中，很难找到数据之间的特征。 在数据变换中，重点是如何将数值进行规范化，有三种常用的规范方法，分别是Min-Max规范化、Z-Score规范化、小数定标规范化。
1.Min-max规范化： 将原始数据投射到指定的空间[min,max]。可用公式表示为： 新数值 = （原数值-极小值）/ （极大值 - 极小值） 。
SciKit-Learn中的MinMaxScaler可以完成这个功能。 2.Z-Score规范化： 将原始数据转换为正态分布的形式，使结果易于比较。
可用公式表示为： 新数值 = （原数值 - 均值）/ 标准差。 在SciKit-Learn中的preprocessing.scale（)可以直接将给定数据进行Z-Score规范化。
3.小数定标规范化： 通过移动小数点的位置来进行规范化。小数点移动的位数取决于该属性数据取值的最大绝对值。
例如：属性A的取值范围是-800到70，那么就可以将数据的小数点整体向左移三位即[-0.8,0.07]。 参考资料来源：网络-数据标准化 。
名词解释：规范化
“规范化”的定义是：“在经济、技术和科学及管理等社会实践中，对重复性事物和概念，通过制定、发布和实施标准（规范、规程和制度等）达到统一，以获得最佳秩序和社会效益”。
数据规范化是将原来的度量值转换为无量纲的值。通过将属性数据按比例缩放，通过一个函数将给定属性的整个值域映射到一个新的值域中，即每个旧的值都被一个新的值替代。
(6)svm数据库扩展阅读：
企业规范化管理所寻求的效果标准：“八零”境界决策制定零失误、产品质量零次品、产品客户零遗憾、经营管理零库存、资源管理零浪费、组织结构零中间层、商务合作伙伴零抱怨、竞争对手零指责。
企业规范化管理，也需要制度化，也需要标准化，但它的重点在于为企业构建一个具有自我免疫、自动修复的机能。也就是说，使企业组织形成一种内在的自我免疫功能，能自动适应外部环境的变化，能抵御外部力量的侵害。并且当企业组织在发展过程中遭遇外部创伤后，能自动地修复愈合，使企业实现持续稳定的发展。
参考资料来源：搜狗网络-规范化
名词解释：规范化
“规范化”的定义是：“在经济、技术和科学及管理等社会实践中，对重复性事物和概念，通过制定、发布和实施标准（规范、规程和制度等）达到统一，以获得最佳秩序和社会效益”。
数据规范化是将原来的度量值转换为无量纲的值。通过将属性数据按比例缩放，通过一个函数将给定属性的整个值域映射到一个新的值域中，即每个旧的值都被一个新的值替代。
(6)svm数据库扩展阅读： 企业规范化管理所寻求的效果标准：“八零”境界决策制定零失误、产品质量零次品、产品客户零遗憾、经营管理零库存、资源管理零浪费、组织结构零中间层、商务合作伙伴零抱怨、竞争对手零指责。 企业规范化管理，也需要制度化，也需要标准化，但它的重点在于为企业构建一个具有自我免疫、自动修复的机能。
也就是说，使企业组织形成一种内在的自我免疫功能，能自动适应外部环境的变化，能抵御外部力量的侵害。并且当企业组织在发展过程中遭遇外部创伤后，能自动地修复愈合，使企业实现持续稳定的发展。
参考资料来源：网络-规范化。
标准化管理名词解释？
标准化管理是指符合外部标准（法律、法规或其它相关规则）和内部标准（企业所倡导的文化理念）为基础的管理体系
标准化管理的职能[1]
标准化管理工作的作用与功能。它主要是对制定、修订和贯彻实施标准等整个标准化活动进行计划、组织，指挥、协调和监督，以保证标准化任务的完成。这5个职能相互联系和制约，共同构成一个有机整体。通过计划，确定标准化活动的目标；通过组织，建立实现目标的手段；通过指挥，建立正常的工作秩序；通过监督，检查计划实施的情况，纠正偏差；通过协调，使各方面工作和谐地发展。
一、标准化管理的指挥职能
标准化管理工作的职能之—。主要是对标准化系统内部各级和各类人员的领导或指导，其目的是保证国家和各级的标准化活动按照国家统—-计划的要求，相互配合、步调—致，和谐地向前发展。
二、标准化管理的组织职能
标准化管理工作的职能之—。主要是对人们的标准化活动进行科学地分工和协调，合理地分配与使用国家的标准化投资，正确处理标准化部门、标准化人员的相互关系，其目的是将标准化活动的各要素、各部门、各环节合理地组织起来，形成一个有机整体，建立起标准化工作的正常秩序。
三、标准化管理的计划职能
标准化管理工作的职能之一。主要是对标准化事业的发展进行全面考虑，综合平衡和统筹安排，其目的是把宏观标准化工作和微观标准化工作结合起来，正确地把握未来，使标准化事业能在变化的环境中持续稳定地发展，动员全体标准化人员及有关人员为实现标准化的发展目标而努力。
四、标准化管理的监督职能
标准化管理工作的职能之—。主要是按照既定的目标和标准，对标准化活动进行监督、检查，发现偏差，及时采取纠正措施，目的是保证标准化工作按计划顺利进行，最终达到预期目标。使其成果同预期的目标相—致，使标准化的计划任务和目标转化为现实。
五、标准化管理的协调职能
标准化管理的工作职能之一。主要是协调标准化系统内部各单位、各环节的工作和各项标准化活动，使它们之间建立起良好的配合关系，有效地实现国家标准化的计划与目标。
名词解释：定量管理法
绩效定量管理法是在过去技术工作大量的数据积累的基础上，采用专家模糊评价和标准实测专家评定、双向协商确定等方法进行确定和逐步改进的。
绩效定量管理法主要考核以下内容： 1、工作业绩 工作业绩考核是指对每个员工在本职工作中完成任务所取得的成绩、成果进行测评的过程。这个评价过程不仅要说明各级员工的工作完成情况，还要通过评价结果指导员工有计划地改进工作，以达到企业发展的目的。
业绩考核主要从数量、质量和效率三个方面对员工的工作业绩进行评价，具体表现为完成工作的数量指标、质量指标以及工作效率指标。 绩效定量管理法通过技术工作量化标准和工作岗位分配，以及对工作质量、工作效果的综合评价，通过二次分配平衡，实现对工作业绩的综合考核。
2、工作能力 工作能力考核是对具体工作所需要的基本能力以及经验性能力进行测评的过程。它包括和工作相关的常识和专业知识；工作所需要的技术、技能和技巧；工作中表现出来的理解力、判断力、创造力等经验性能力；特殊工作所要求的体力。
同业绩相比，能力是内在的，不容易衡量和比较，因此，能力有时并不能通过直接的能力测试来考核，而是需要通过人们的感知察觉来作出判断。 绩效定量管理法通过长期工作量化考核和工作效果、工作质量的综合评定，借助专家模糊评价，进行工作岗位的确认和变动，从岗位的差别和任务的分配体现能力的确认，同时鼓励技术人员主动承担责任，培养、提升技术人员的能力。
3、工作态度 工作态度考核是指对工作热情和工作积极性方面所进行的考评。现实中，工作态度往往影响着员工的工作业绩和能力。
通过对态度的评价，可以鼓励员工发挥工作热情、提高工作积极性，从而达到提高绩效的目的。 绩效定量管理法对态度的考核，基于一定的程序和多角度调查反馈对技术人员的态度进行考核、指导、沟通的多角度管理。
4、潜力 潜力的发挥主要受四个方面的影响：相应的工作机会、合理的工作设计和分配、正确的上级指导或命令、必要的开发。通过潜力评价，可以为工作轮换、升迁等各种人事决策提供依据。
绩效定量管理法采用了三类评价方法：相对评价法、绝对评价法和描述法。 1、相对评价法 1）序列比较法 序列比较法是对按员工工作成绩的好坏进行排序考核的一种方法。
在考核之前，首先要确定考核的模块，但是不确定要达到的工作标准。将相同职务的所有员工在同一考核模块中进行比较，根据他们的工作状况排列顺序，工作较好的排名在前，工作较差的排名在后。
最后，将每位员工几个模块的排序数字相加，就是该员工的考核结果。总数越小，绩效考核成绩越好。
2）相对比较法 相对比较法是对员工进行两两比较，任何两位员工都要进行一次比较。两名员工比较之后，相对较好的员工记“1”，相对较差的员工记“0”。
所有的员工相互比较完毕后，将每个人的得分相加，总分越高，绩效考核的成绩越好。 3）强制比例法 强制比例法是指根据被考核者的业绩，将被考核者按一定的比例分为几类（最好、较好、中等、较差、最差）进行考核的方法。
2、绝对评价法 1）目标管理法 目标管理是通过将组织的整体目标逐级分解直至个人目标，最后根据被考核人完成工作目标的情况来进行考核的一种绩效考核方式。在开始工作之前，考核人和被考核人应该对需要完成的工作内容、时间期限、考核的标准达成一致。
在时间期限结束时，考核人根据被考核人的工作状况及原先制定的考核标准来进行考核。 2）关键绩效指标法 关键绩效指标法是以企业年度目标为依据，通过对员工工作绩效特征的分析，据此确定反映企业、部门和员工个人一定期限内综合业绩的关键性量化指标，并以此为基础进行绩效考核。
3）等级评估法 等级评估法根据工作分析，将被考核岗位的工作内容划分为相互独立的几个模块，在每个模块中用明确的语言描述完成该模块工作需要达到的工作标准。同时，将标准分为几个等级选项，如“优、良、合格、不合格”等，考核人根据被考核人的实际工作表现，对每个模块的完成情况进行评估。
总成绩便为该员工的考核成绩。 4）平衡记分卡 平衡记分卡从企业的财务、顾客、内部业务过程、学习和成长四个角度进行评价，并根据战略的要求给予各指标不同的权重，实现对企业的综合测评，从而使得管理者能整体把握和控制企业，最终实现企业的战略目标。
3、描述法 1）全视角考核法 全视角考核法，即上级、同事、下属、自己和顾客对被考核者进行考核的一种考核方法。通过这种多维度的评价，综合不同评价者的意见，则可以得出一个全面、公正的评价。
2）重要事件法 重要事件是指考核人在平时注意收集被考核人的“重要事件”，这里的“重要事件”是指那些会对部门的整体工作绩效产生积极或消极的重要影响的事件，对这些表现要形成书面记录，根据这些书面记录进行整理和分析，最终形成考核结果。 绩效定量管理法正是在不同的时期和不同的工作状况下，通过对数据的科学处理，及时、准确地考核，协调落实收入、能力、分配关系。
绩效指标的制定以企业战略为出发点，与组织结构相适应，全面反映工。
G. 数据挖掘算法的算法分类
C4.5就是一个决策树算法，它是决策树（决策树也就是做决策的节点间像一棵树一样的组织方式，其实是一个倒树）核心算法ID3的改进算法，所以基本上了解了一半决策树构造方法就能构造它。决策树构造方法其实就是每次选择一个好的特征以及分裂点作为当前节点的分类条件。C4.5比ID3改进的地方时：
ID3选择属性用的是子树的信息增益（这里可以用很多方法来定义信息，ID3使用的是熵（entropy）（熵是一种不纯度度量准则）），也就是熵的变化值，而C4.5用的是信息增益率。也就是多了个率嘛。一般来说率就是用来取平衡用的，就像方差起的作用差不多，比如有两个跑步的人，一个起点是100m/s的人、其1s后为110m/s；另一个人起速是1m/s、其1s后为11m/s。如果仅算差值那么两个就是一样的了；但如果使用速度增加率（加速度）来衡量，2个人差距就很大了。在这里，其克服了用信息增益选择属性时偏向选择取值多的属性的不足。在树构造过程中进行剪枝，我在构造决策树的时候好讨厌那些挂着几个元素的节点。对于这种节点，干脆不考虑最好，不然很容易导致overfitting。对非离散数据都能处理，这个其实就是一个个式，看对于连续型的值在哪里分裂好。也就是把连续性的数据转化为离散的值让顷进行处理。能够对不完整数据进行处理，这个重要也重要，其实也没那么重要，缺失数据采用一些方法补上去就是了。 (朴素贝叶斯NB)
NB认为各个特征是独立的，谁也不关谁的事。所以一个样本（特征值的集合，比如“数据结构”出现2次，“文件”出现1次），可以通过对其所有出现特征在给定类别的概率相乘。比如“数据结构”出现在类1的概率为0.5，“文件”出现在类1的概率为0.3，则可认为其属于类1的概率为0.5*0.5*0.3。 (支持向量机SVM)
SVM就是想找一个分类得最”好”的分类线/分类面（最近的一些两类样本到这个”线”的距离最远）。这个没具体实现过，上次听课，那位老师自称自己实现了SVM，敬佩其钻研精神。常用的工具包是LibSVM、SVMLight、MySVM。 (Mining frequent patterns without candidate generation)
这个也不太清楚。FP-growth算法(Frequent Pattern-growth)使用派早了一种紧缩的数据结构来存储查找频繁项集所需要的全部信息。采用算法：将提供频繁项集的数据库压缩到一棵FP-tree来保留项集关联信息，然后将压缩后的数据库分成一组条件数据库（一种特殊类型的投影数据库），每个条件数据库关联一个频繁项集。 K-Means是一种最经典也是使用最广泛的聚类方法，时至今日扔然有很多基于其的改进模型提出。K-Means的思想很简单，对于一个聚类任务（你需要指明聚成几个类，当然按照自然想法来说不应该需要指明类数，这个问题也是当前聚类任务的一个值得研究的课题），首先随机选择K个簇中心，然后反复计算下面的过程直到所有簇中心不改变（簇集合不改变）为止：步骤1：对于每个对象，计算其与每个簇中心的相似度，把其归入与其最相似的那个簇中。
步骤2：更新簇中心，新的簇中心通过计算所有属于该簇的对象的平均值得到。
k-means 算法的工作过程说明如下：首先从n个数据对象任意选择k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 BIRCH也是一种聚类算法，其全称是Balanced Iterative Recing and Clustering using Hierarchies。BIRCH也是只是看了理论没具体实现过。是一个综合的层次聚类特征(Clustering Feature, CF)和聚类特征树(CF Tree)两个概念，用于尘滑雀概括聚类描述。聚类特征树概括了聚类的有用信息，并且占用空间较元数据集合小得多，可以存放在内存中，从而可以提高算法在大型数据集合上的聚类速度及可伸缩性。
BIRCH算法包括以下两个阶段：
1）扫描数据库，建立动态的一棵存放在内存的CF Tree。如果内存不够，则增大阈值，在原树基础上构造一棵较小的树。
2）对叶节点进一步利用一个全局性的聚类算法，改进聚类质量。
由于CF Tree的叶节点代表的聚类可能不是自然的聚类结果，原因是给定的阈值限制了簇的大小，并且数据的输入顺序也会影响到聚类结果。因此需要对叶节点进一步利用一个全局性的聚类算法，改进聚类质量。 AdaBoost做分类的一般知道，它是一种boosting方法。这个不能说是一种算法，应该是一种方法，因为它可以建立在任何一种分类算法上，可以是决策树，NB，SVM等。
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据，并将关键放在关键的训练数据上面。 GSP，全称为Generalized Sequential Pattern(广义序贯模式)，是一种序列挖掘算法。对于序列挖掘没有仔细看过，应该是基于关联规则的吧！网上是这样说的：
GSP类似于Apriori算法，采用冗余候选模式的剪除策略和特殊的数据结构-----哈希树来实现候选模式的快速访存。
GSP算法描述:
1）扫描序列数据库，得到长度为1的序列模式L1，作为初始的种子集。
2）根据长度为i 的种子集Li ，通过连接操作和修剪操作生成长度为i+1的候选序列模式Ci+1；然后扫描序列数据库，计算每个候选序列模式的支持度，产生长度为i+1的序列模式Li+1，并将Li+1作为新的种子集。
3）重复第二步，直到没有新的序列模式或新的候选序列模式产生为止。
产生候选序列模式主要分两步：
连接阶段：如果去掉序列模式s1的第一个项目与去掉序列模式s2的最后一个项目所得到的序列相同，则可以将s1与s2进行连接，即将s2的最后一个项目添加到s1中。
修切阶段：若某候选序列模式的某个子序列不是序列模式，则此候选序列模式不可能是序列模式，将它从候选序列模式中删除。
候选序列模式的支持度计算：对于给定的候选序列模式集合C，扫描序列数据库，对于其中的每一条序列s,找出集合C中被s所包含的所有候选序列模式，并增加其支持度计数。 又是一个类似Apriori的序列挖掘。
其中经典十大算法为：C4.5，K-Means，SVM，Apriori，EM，PageRank，AdaBoost，KNN，NB和CART。
