在軟件選項和理論概念中使用了多種不同的數據挖掘方法。這些方法允許用戶使用各種工具從個人和公司收集的數據中提取信息。大量數據可用于確定單個主題或多個主題中的各種因素。這些數據挖掘方法最常用于欺詐保護、營...
在軟件選項和理論概念中使用了多種不同的數據挖掘方法。這些方法允許用戶使用各種工具從個人和公司收集的數據中提取信息。大量數據可用于確定單個主題或多個主題中的各種因素。這些數據挖掘方法最常用于欺詐保護、營銷和監控領域。

,數據挖掘方法的概念是為了在收集到的大量數據中發現隱藏的模式。
幾百年來,數據挖掘方法一直用于從主題中提取信息。然而,現代技術,使用自動化概念通過計算機資源提供大量數據。隨著計算機科學在20世紀興起,為了克服收集到的大量數據中隱藏的模式而開發的數據挖掘方法的概念。這方面的一個很好的例子是,一家廣告公司分析了一位在線客戶的購物模式。然后,該公司就可以銷售個人可能感興趣購買的某些產品。

各種數據挖掘方法使用戶能夠從個人或公司收集的原始數據中提取信息。
行業中常用的一種數據挖掘技術稱為知識發現在1989年由格雷戈里·皮亞特斯基·夏皮羅(Gregory Piatetsky Shapiro)開發的數據庫(KDD)中,KDD允許用戶處理原始數據,分析所需數據的信息并解釋結果然而,在通常的數據挖掘方法中,
一般的分類方法都是不精確的,分類和關聯。
分類將現有的信息合并到定義的分組中。
聚類刪除定義的分組,并允許數據按相似項進行自我分類。
回歸關注信息的功能,在概念上對數據進行建模。最終的數據挖掘方法,
association,試圖找到不同數據源之間的關系。
在使用各種數據挖掘方法時,某些標準被用來確定哪些參數可以在這個過程中使用。計算機械協會的知識發現和數據挖掘特別興趣小組(SIGKDD)每年舉行一次會議,確定哪些過程是合適的。倫理因素與實際應用一起被權衡,以找出最佳的有關個人和公司的信息。這些信息發表在一份名為
SIGKDD Explorations的行業雜志上。