7种数据挖掘的分析方法，实际场景该怎么应用？
数据挖掘的分析方法有：分类 （classification）、 估计（estimation）、 预测（prediction）、 相关性分组或关联规则（affinity grouping or association rules）、 聚类（clustering）、 描述和可视化（description and visualization）、 复杂数据类型挖掘
分类 （classification）
首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。数据挖掘案例：a. 信用卡申请者，分类为低、中、高风险；b. 故障诊断：中国宝钢集团与上海天律信息技术有限公司合作，采用数据挖掘技术对钢材生产的全流程进行质量监控和分析，构建故障地图，实时分析产品出现瑕疵的原因，有效提高了产品的优良率。注意： 类的个数是确定的，预先定义好的。
估计（estimation）
估计与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类 数据挖掘的类别是确定数目的，估值的量是不确定的。数据挖掘案例：a. 根据购买模式，估计一个家庭的孩子个数；b. 根据购买模式，估计一个家庭的收入；c. 估计real estate的价值一般来说，估值可以作为分类的前一步工作。给定一些输入数据，通过估值，得到未知的连续变量的值，然后，根据预先设定的阈值，进行分类。例如：银行对家庭贷款业务，运用估值，给各个客户记分（score 0~1）。然后，根据阈值，将贷款级别分类。
预测（prediction）
通常，预测是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。
相关性分组或关联规则（affinity grouping or association rules）
决定哪些事情将一起发生。数据挖掘案例：a. 超市中客户在购买a的同时，经常会购买b，即a => b(关联规则)；b. 客户在购买a后，隔一段时间，会购买b （序列分析）。
聚类（clustering）
聚类是对记录分组，把相似的记录在一个聚集里。聚类和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。数据挖掘案例：a. 一些特定症状的聚集可能预示了一个特定的疾病；b. 租vcd类型不相似的客户聚集，可能暗示成员属于不同的亚文化群聚集通常作为数据挖掘的第一步。例如，”哪一种类的促销对客户响应最好？”，对于这一类问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集，回答问题，可能效果更好。
描述和可视化（description and visualization）
是对数据挖掘结果的表示方式。一般只是指数据可视化工具，包含报表工具和商业智能分析产品（bi）的统称。通过可视化工具进行数据的展现，分析，钻取，将数据挖掘的分析结果更形象，深刻的展现出来。
复杂类型数据的挖掘
这包括复杂对象，空间数据，多媒体数据，时间序列数据，文本数据，和Web 数据。
以上七种数据挖掘的分析方法可以分为两类：直接数据挖掘、间接数据挖掘。直接数据挖掘目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以理解成数据库中表的属性，即列）进行描述。间接数据挖掘目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系。数据挖掘的分析方法中分类、估值、预言属于直接数据挖掘；后四种属于间接数据挖掘。
立即沟通
