數據挖掘的任務有哪些

1、關聯分析（associationanalysis）

關聯分析挖掘是由RakeshApwal等人首先提出的。兩個或兩個以上變量取向價值之間存在某種規律性發掘稱之為關聯。數據關聯是數據庫中存在的一類重要的、可被發現的知識。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出數據庫中隱藏的大量關聯網。一般用支持度和可信度兩個閥值來度量獲取關聯規則的相關性，還有興趣度、相關性等參數，使得所挖掘的規則更符合實質需求。

2、聚類分析（clustering）

聚類是把數據按照相似性歸納成若干類別分類出來，同一類中的數據彼此相似，不同類中的數據則相異。聚類分析可以建立宏觀的概念，發布數據的分布模式，以及可能性的數據屬性之間的相互關系。

3、分類（classification）

分類其實就是找出一個類別的概念描述，代表了數據的整體信息，分類的內涵描述，并用描述來構造模型，一般用作于規則或決策樹模式表示出來。分類是利用訓練數據集中通過一定的算法而求得分類規則。分類可被用于規則描述和數據預測。

4、預測（predication）

通過預測利用歷史數據找出變化規律，建立模型并由該模型對未來數據的種類及特征進行預測。預測關心的是精確度和不確定性因素，通常用預測方差來度量較為適合。

5、時序模式（time-seriespattern）

通過時間序列搜索出的重復發生概率比較高的模式。與回歸一樣，它也是用己知的數據預測未來的數據值，但這些數據的區別是變量所處時間的不同而已。

6、偏差分析（deviation）

在偏差中包括很多有用的知識，數據庫中的數據存在很多異常情況，發現數據庫中數據存在的異常情況是非常重要的。偏差檢驗的基本方法就是尋找觀察結果與參照之間的差別。