数据挖掘模型有哪些类型？

数据挖掘是通过使用模式识别技术（包括统计和数学技术）传输存储在存储库中的大量数据来寻找有用的新相关性、模式和趋势的过程。它是对事实数据集的分析，以发现未预料到的关系，并以既合乎逻辑又对数据所有者有帮助的新颖方法总结记录。

数据挖掘技术可用于为描述性分析、定向分析和预测等三种任务制作三种模型。

描述性分析- 描述性模型定义了记录中的内容。输出是定义正在发生的事情的多个图表或数字或图形。假设检验制作描述性模型。换句话说，在构建模型时，定向分析和预测都有一个目标。

在分析模型中，焦点来自与输入相似的时间范围。在预测模型中，重点来自下一个时间范围。预测定义了从一个时期的数据中发现能够定义下一时期的结果的设计。加强剖析和预测之间区别的原因是它与建模方法有关，特别是在模型集形成过程中对时间的分析。

Directed Profiling - 分析是解决许多问题的熟悉方法。它不需要涉及任何复杂的数据分析。例如，调查是建立客户档案的一种常用方法。调查揭示了客户和潜在客户的样子，或者至少揭示了调查响应者回答问题的方式。

个人资料通常基于人口统计变量，例如地理位置、性别和年龄。由于广告是根据这些相同的变量销售的，因此人口统计资料可以直接转化为媒体策略。

预测- 分析使用过去的数据来描述过去发生的事情。预测更进一步。预测使用过去的数据来预测未来可能发生的事情。这是对信息的动态使用。

虽然低存储余额与 CD 所有权之间的相关性在 CD 持有者的概况中无益，但高存储余额可能（与其他指标相结合）是未来 CD 购买的预测指标。

它正在构建一个预测模型，需要在模型输入或预测变量与模型输出（要预测的事物）之间及时分离。如果不支持此分区，则该模型将无法工作。