随着大数据的兴起，隐藏在大数据背后的相关技术也逐渐被揭开神秘的面纱，其中，数据挖掘即是大数据应用过程中非常重要的环节。

数据挖掘技术概要

从海量的数据库中选择、探索、识别出有效的、新颖的、具有潜在效用的乃至最终可理解的模式以获取商业利益的非平凡的过程就是Fayyad和Piatetsky-Shapiror在1996年提出的数据挖掘的定义。这个定义有三个要点：处理海量的数据；揭示企业运作中的内在规律；为企业运作提供直接决策分析，并带来巨大经济效益。

技术不断演进，社会不断发展，对于数据挖掘的定义也发生了一些变化。例如对于数据量级的变化，从海量已经到了巨量。在1996年的时候，人们是无法想象2017年我们将会处理如此巨大的数据。而数据处理的样本规模也在从采样发展到全量，例如在处理关键人的同轨分析特征识别的时候，会处理几百亿的位置信息轨迹，从中提炼出具有相同轨迹的设备信息，从而通过设备信息关联出自然人的相互关系等等。

同时，相对于1996年，数据应用发掘企业的内在规律已经拓展到了社会运行特征、人群行为特征、经济发展特征等等各个方面。而数据挖掘的目的也不仅是为了经济效益，也对社会生产力提升和管理水平提升提供了相应支持。大数据时代数据挖掘的差异

1、从结构化数据到非结构化数据。传统的数据挖掘都是依据数据库里面的数据进行分析，在大数据时代，数据来源多多样，对于这些非结构化数据的加工是大数据数据挖掘的重要特征。因为非结构化数据处理的成功与否决定了大数据数据源的质量好坏，而这并不是算法可以解决的。

2、从抽样数据到全量数据。传统数据挖掘受制于数据处理能力，只能使用少量的抽样数据进行分析。在大数据技术环境下，完全可以实现全量数据的分析，效率甚至可能高于抽样数据的分析。

3、从因果关系到相关性分析。大数据分析通过事件和多种因素进行相关性分析，通过数据挖掘和机器学习的算法找到其关联关系，并运用回归分析从而实现预测

数据挖掘的任务按照目标可以分为4类：

1、分类：通过分析训练集的数据，为每一个分类建立分类分析模型，用这个已知的规律对其他数据进行分类

2、回归：建立因变量和自变量之间关系的模型

3、聚类：将对象集合分成由类似的对象组成的多个类的过程

4、关联规则：寻找给定数据集合中各个因子之间的关联关系

人们经常见到的“逻辑回归模型”、“神经网络模型”、“遗传算法”、“决策树”等等都是监督学习过程的挖掘算法。这类算法在机器学习和深度学习里面大量使用，是大数据公司必备的专业技能。作为国内领先的移动大数据服务商，在这方面的实际案例颇多，例如利用神经网络算法预测个人前往某一个特定区域的概率和时间，准确度可以达到80%以上；他们还利用神经网络算法和随机森林算法对个人喜欢的移动应用进行推荐下载和推荐产品；此外，还自主开发了空间轨迹相似度STS(spatial trajectory similarity)算法进行同轨分析等。

数据挖掘技术随着大数据时代的到来已变幻出更强的功能特征，而在大数据服务商的精耕细作下，也必将为各行业带来进步的动力。