資料倉庫是一種可以收集和管理來自多個來源的資料的方法，為企業提供重要的商業洞察。資料倉庫專門設計用於提供管理決策。簡單來說，資料倉庫定義了一個獨立於組織運營資料庫維護的資料庫。資料倉庫系統能夠整合多個應用程式系統。它們透過提供可靠的整合歷史資料分析平臺來支援資料處理。資料倉庫是一個語義一致的資料儲存，作為決策支援資料模型的物理實現。它儲存企業的資料……閱讀更多

生成名義資料概念層次結構的方法有很多，如下所示：- 使用者或專業人員在模式級別顯式指定屬性的部分排序 - 名義屬性或維度的概念層次結構通常包含一組屬性。使用者或專業人員可以透過在模式級別定義屬性的部分或全部控制來簡單地表示概念層次結構。例如，假設一個關係資料庫包含以下屬性集，例如街道、城市、省份或州和國家。資料倉庫位置維度可以包含相同的屬性……閱讀更多

資料預處理的主要步驟包括資料清洗、資料整合、資料縮減和資料轉換，如下所示：- 資料清洗 - 資料清洗程式透過填充缺失值、平滑噪聲資訊、識別或消除異常值以及解決偏差來“清洗”資訊。如果使用者知道資料很髒，他們就不太可能相信某些已被使用的資料探勘的結果。此外，髒資料可能會使挖掘階段混亂，導致輸出不穩定。一些挖掘程式有一些處理不完整或噪聲資訊的階段，但它們並不總是有效的……閱讀更多

屬性是一個數據欄位，定義資料物件的特徵。名詞屬性、維度、特徵和變數在文獻中是對應使用的。維度通常用於資料倉庫。機器學習文獻傾向於使用術語特徵，而統計學家更喜歡使用術語變數。資料探勘和資料庫專家通常使用術語屬性。定義使用者物件的屬性可以包括，例如，客戶 ID、姓名和地址。給定屬性的觀察值被稱為觀察值。一組可以定義給定物件的屬性稱為屬性向量（或特徵向量）。……閱讀更多

挖掘方法學有以下幾個方面：- 挖掘各種新知識 - 資料探勘涵蓋了廣泛的資料分析和知識發現服務，從資料特徵描述和區分到關係和關聯分析、分類、迴歸、聚類、異常值方法、序列方法以及趨勢和計算分析。這些服務可以以多種方式使用相同的資料庫，並且需要開發多種資料探勘技術。由於軟體的多樣性，新的挖掘服務不斷湧現，使資料探勘成為一個強大且快速發展的領域。例如，為了在資料網路中有效地發現知識……閱讀更多

網路搜尋引擎是一種專門的計算機伺服器，用於搜尋網路上的資料。使用者查詢的搜尋結果以列表（稱為命中）的形式恢復。命中可以包括網頁、影像和不同型別的檔案。各種搜尋引擎還可以搜尋和返回公共資料庫或開放目錄中可用的資料。搜尋引擎與網路目錄的不同之處在於，網路目錄由人工編輯支援，而搜尋引擎則以演算法方式或透過演算法和人工輸入相結合的方式工作。網路搜尋引擎是大型資料探勘應用程式。有幾個資料探勘……閱讀更多

分類是發現定義和分類資料類或概念的模型的過程。該模型基於對一組訓練資料（即已知類標籤的資料物件）的搜尋。該模型可以預測類標籤未知的物件的類標籤。派生模型可以用多種形式表示，包括分類規則（即 IF-THEN 規則）、決策樹、數值公式或神經網路。決策樹是一種類似流程圖的樹形結構，其中每個節點表示對屬性值的測試，每個分支表示測試的結果……閱讀更多

一種解決方案是，此類公司向消費者提供多種退出選擇，使消費者能夠描述對其個人資訊使用的限制，例如：消費者的個人資料根本不用於資料探勘。消費者的資料可以用於資料探勘，但應刪除每個消費者的身份或某些可能導致個人身份洩露的資料。資料只能用於內部挖掘。資料可以在內部和外部使用。此外，公司可以向消費者提供積極的同意，即允許消費者選擇……閱讀更多

視覺資料探勘使用資料和知識視覺化方法從大型資料集中發現隱含的有用知識。人類視覺系統由眼睛和大腦控制，後者可以被認為是一個動態的、很大程度上並行的處理和推理引擎，包括一個巨大的知識庫。視覺資料探勘可以被認為是資料視覺化和資料探勘這兩個學科的統一。它還可以與計算機圖形學、多媒體系統、人機互動、模式識別和高效能計算相關聯。一般來說，資料視覺化和資料探勘可以按以下方式整合：資料……閱讀更多

資料探勘的基礎有幾個理論，包括以下內容：- 資料縮減 - 在這個理論中，資料探勘的基礎是減少資料表示。資料縮減以確定性換取速度，以響應對大型資料庫查詢快速獲得近似答案的需求。資料縮減方法包括奇異值分解（主成分分析背後的主要組成部分）、小波、迴歸、對數線性模型、直方圖、聚類、抽樣和索引樹的開發。資料壓縮 - 根據這個理論，資料探勘的基礎是用位編碼來壓縮給定的資訊……閱讀更多