大数据价值的体现离不开数据挖掘，它的主要目的是从各种各样的数据来源中，提取出隐藏的信息，然后将这些信息合并发现其内在关系。
数据挖掘任务除了专门的一些工具外，实际上BI工具也可以进行数据挖掘，市面上的一些BI工具不单单是数据分析工具，而且内置了很多模型算法，无需分析人员自己建模就可以完成数据挖掘，探索数据之间的关系。
文章主要围绕数据挖掘方法和BI工具做数据挖掘的实例进行讲解。
数据挖掘的主要方法
数据挖掘分为有指导的数据挖掘和无指导的数据挖掘。有指导的数据挖掘是利用可用的数据建立一个模型，这个模型是对一个特定属性的描述。无指导的数据挖掘是在所有的属性中寻找某种关系。具体而言，分类、估值和预测属于有指导的数据挖掘；关联规则和聚类属于无指导的数据挖掘。
1．分类。它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技术，建立一个分类模型，再将该模型用于对没有分类的数据进行分类。
2．估值。估值与分类类似，但估值最终的输出结果是连续型的数值，估值的量并非预先确定。估值可以作为分类的准备工作。
3．预测。它是通过分类或估值来进行，通过分类或估值的训练得出一个模型，如果对于检验样本组而言该模型具有较高的准确率，可将该模型用于对新样本的未知变量进行预测。
4．相关性分组或关联规则。其目的是发现哪些事情总是一起发生。
5．聚类。它是自动寻找并建立分组规则的方法，它通过判断样本之间的相似性，把相似样本划分在一个簇中。
BI工具如何做数据挖掘
这里我就不介绍类似RapidMiner、R、Weka、KNIME、GGobi、Orange等数据挖掘工具了，我们看看傻瓜式的数据挖掘工具-敏捷BI工具，可以快速进行数据探索和数据分析。我们以永洪BI工具操作为例做演示，因为它内置了逻辑回归、决策树、聚类、关联规则、时序分析算法；Python和R脚本，因此能很好地支持数据挖掘。
Step1：数据库的导入，导入需要进行数据挖掘的数据表。在右侧会显示导入的元数据。
Step2：对元数据进行采样和数据分区，为训练模型做数据准备。
Step3：从右侧拖拽分析算法到工作区，在右侧设置自变量和因变量参数，即完成了进一步的数据挖掘工作。
Step4： 模型算法完成后，最后可以用测试数据对模型的准确性进行测试。
永洪敏捷BI工具利用自身性能优势，省去复杂的建模流程，仅仅简单的4步就完成了模型算法的深度数据挖掘，确实是一款友好便捷的数据分析和数据挖掘工具。
原文地址：https://blog.51cto.com/14612873/2465516