資料探勘和演算法之間有什麼關係？

1. 建模：使用現有資料和模型來使用未知變數的語言。

分類，用於離散目標變數。

回歸，用於連續目標變數。

3.相關性分析（又稱關係模型）：反映乙個事物與其他事物之間的相互依存性和相關性。 它用於發現描述資料中強關聯特徵的模式。

4. 異常檢測：識別特徵與其他資料顯著不同的觀測值。

有時資料探勘也分為：分類、回歸、聚類和關聯分析。

資料探勘是指對大量資料進行分類的自動化過程，通過資料分析識別趨勢和模式，並建立關係以解決業務問題。 換句話說，資料探勘是提取隱藏在大量人們事先不知道的不完整、嘈雜、模糊和隨機資料中的潛在有用資訊和知識的過程。

原則上，資料探勘可以應用於任何型別的資訊儲存庫和瞬態資料（如資料流），如資料庫、資料倉儲、資料集仿租賃市場、交易資料庫、空間資料庫（如地圖等）、工程設計資料（如建築設計等）、多資料（文字、影象、音訊）、網路、資料流、時序資料庫等。 因此，資料探勘具有以下特徵：

1）資料集大且不完整。

資料探勘所需的資料集非常大，只有資料集越大，得到的定律才能越接近實際液體氦的正確實際定律，結果就會越準確。 除此之外，資料通常不完整。

2）不準確。

資料探勘存在不準確之處，主要是由於資料雜訊大。 例如，在商業中，使用者可能會提供虛假資料; 在工廠環境中，正常資料經常受到電磁或輻射干擾，並且經常違反正常值。 這些異常且絕對不可能的資料（稱為雜訊）可能導致資料探勘不準確。

3）模糊和隨機。

資料探勘是模糊和隨機的。 這裡的歧義可能與不準確有關。 由於資料的不準確，只能整體觀察資料，或者因為涉及個人資訊，無法獲得一些具體內容，這時，如果想做相關的分析操作，只能做一些一般性的分析，無法做出準確的判斷。

對於資料的隨機性有兩種解釋，一種是得到的數字是隨機的; 我們不知道使用者到底在填寫什麼。 二是分析結果是隨機的。 將資料交給機器進行判斷和學習，然後所有操作都是灰盒操作。

關於帕科資料，用心創造資料價值，讓資料分析更簡單。

專家系統（基於過去的經驗法則）和模式識別用於實現上述目標。