如何做好數(shù)據(jù)挖掘與數(shù)據(jù)建模的9條經(jīng)驗總結(jié)

數(shù)據(jù)挖掘是利用業(yè)務知識從數(shù)據(jù)中發(fā)現(xiàn)和解釋知識（或稱為模式）的過程，這種知識是以自然或者人工形式創(chuàng)造的新知識。

當前的數(shù)據(jù)挖掘形式，是在20世紀90年代實踐領域誕生的，是在集成數(shù)據(jù)挖掘算法平臺發(fā)展的支撐下適合商業(yè)分析的一種形式。也許是因為數(shù)據(jù)挖掘源于實踐而非 理論，在其過程的理解上不太引人注意。20世紀90年代晚期發(fā)展的CRISP-DM，逐漸成為數(shù)據(jù)挖掘過程的一種標準化過程，被越來越多的數(shù)據(jù)挖掘?qū)嵺`者 成功運用和遵循。

雖然CRISP-DM能夠指導如何實施數(shù)據(jù)挖掘，但是它不能解釋數(shù)據(jù)挖掘是什么或者為什么適合這樣做。在本文中我將闡述我提出數(shù)據(jù)挖掘的九種準則或“定律”（其中大多數(shù)為實踐者所熟知）以及另外其它一些熟知的解釋。開始從理論上（不僅僅是描述上）來解釋數(shù)據(jù)挖掘過程。

我的目的不是評論CRISP-DM，但CRISP-DM的許多概念對于理解數(shù)據(jù)挖掘是至關重要的，本文也將依賴于CRISP-DM的常見術語。CRISP-DM僅僅是論述這個過程的開始。

第一，目標律：業(yè)務目標是所有數(shù)據(jù)解決方案的源頭。

它定義了數(shù)據(jù)挖掘的主題：數(shù)據(jù)挖掘關注解決業(yè)務業(yè)問題和實現(xiàn)業(yè)務目標。數(shù)據(jù)挖掘主要不是一種技術，而是一個過程，業(yè)務目標是它的的核心。 沒有業(yè)務目標，沒有數(shù)據(jù)挖掘（不管這種表述是否清楚）。因此這個準則也可以說成：數(shù)據(jù)挖掘是業(yè)務過程。

第二，知識律：業(yè)務知識是數(shù)據(jù)挖掘過程每一步的核心。

這里定義了數(shù)據(jù)挖掘過程的一個關鍵特征。CRISP-DM的一種樸素的解讀是業(yè)務知識僅僅作用于數(shù)據(jù)挖掘過程開始的目標的定義與最后的結(jié)果的實施，這將錯過數(shù)據(jù)挖掘過程的一個關鍵屬性，即業(yè)務知識是每一步的核心。

為了方便理解，我使用CRISP-DM階段來說明：

· 商業(yè)理解必須基于業(yè)務知識，所以數(shù)據(jù)挖掘目標必須是業(yè)務目標的映射（這種映射也基于數(shù)據(jù)知識和數(shù)據(jù)挖掘知識）；

· 數(shù)據(jù)理解使用業(yè)務知識理解與業(yè)務問題相關的數(shù)據(jù)，以及它們是如何相關的；

· 數(shù)據(jù)預處理就是利用業(yè)務知識來塑造數(shù)據(jù)，使得業(yè)務問題可以被提出和解答（更詳盡的第三條—準備律）；

· 建模是使用數(shù)據(jù)挖掘算法創(chuàng)建預測模型，同時解釋模型和業(yè)務目標的特點，也就是說理解它們之間的業(yè)務相關性；

· 評估是模型對理解業(yè)務的影響；

· 實施是將數(shù)據(jù)挖掘結(jié)果作用于業(yè)務過程；

總之，沒有業(yè)務知識，數(shù)據(jù)挖掘過程的每一步都是無效的，也沒有“純粹的技術”步驟。 業(yè)務知識指導過程產(chǎn)生有益的結(jié)果，并使得那些有益的結(jié)果得到認可。數(shù)據(jù)挖掘是一個反復的過程，業(yè)務知識是它的核心，驅(qū)動著結(jié)果的持續(xù)改善。

這背后的原因可以用“鴻溝的表現(xiàn)”（chasm of representation）來解釋（Alan Montgomery在20世紀90年代對數(shù)據(jù)挖掘提出的一個觀點）。Montgomery指出數(shù)據(jù)挖掘目標涉及到現(xiàn)實的業(yè)務，然而數(shù)據(jù)僅能表示現(xiàn)實的一 部分；數(shù)據(jù)和現(xiàn)實世界是有差距（或“鴻溝”）的。在數(shù)據(jù)挖掘過程中，業(yè)務知識來彌補這一差距，在數(shù)據(jù)中無論發(fā)現(xiàn)什么，只有使用業(yè)務知識解釋才能顯示其重要 性，數(shù)據(jù)中的任何遺漏必須通過業(yè)務知識彌補。只有業(yè)務知識才能彌補這種缺失，這是業(yè)務知識為什么是數(shù)據(jù)挖掘過程每一步驟的核心的原因。

第三，準備律：數(shù)據(jù)預處理比數(shù)據(jù)挖掘其他任何一個過程都重要。

這是數(shù)據(jù)挖掘著名的格言，數(shù)據(jù)挖掘項目中最費力的事是數(shù)據(jù)獲取和預處理。非正式估計，其占用項目的時間為50%-80%。最簡單的解釋可以概括為“數(shù)據(jù)是困 難的”，經(jīng)常采用自動化減輕這個“問題”的數(shù)據(jù)獲取、數(shù)據(jù)清理、數(shù)據(jù)轉(zhuǎn)換等數(shù)據(jù)預處理各部分的工作量。雖然自動化技術是有益的，支持者相信這項技術可以減 少數(shù)據(jù)預處理過程中的大量的工作量，但這也是誤解數(shù)據(jù)預處理在數(shù)據(jù)挖掘過程中是必須的原因。

數(shù)據(jù)預處理的目的是把數(shù)據(jù)挖掘問題轉(zhuǎn)化為格式化的數(shù)據(jù)，使得分析技術（如數(shù)據(jù)挖掘算法）更容易利用它。數(shù)據(jù)任何形式的變化（包括清理、最大最小值轉(zhuǎn)換、增長 等）意味著問題空間的變化，因此這種分析必須是探索性的。 這是數(shù)據(jù)預處理重要的原因，并且在數(shù)據(jù)挖掘過程中占有如此大的工作量，這樣數(shù)據(jù)挖掘者可以從容 地操縱問題空間，使得容易找到適合分析他們的方法。

有兩種方法“塑造”這個問題 空間。第一種方法是將數(shù)據(jù)轉(zhuǎn)化為可以分析的完全格式化的數(shù)據(jù)，比如，大多數(shù)數(shù)據(jù)挖掘算法需要單一表格形式的數(shù)據(jù)，一個記錄就是一個樣例。數(shù)據(jù)挖掘者都知道 什么樣的算法需要什么樣的數(shù)據(jù)形式，因此可以將數(shù)據(jù)轉(zhuǎn)化為一個合適的格式。第二種方法是使得數(shù)據(jù)能夠含有業(yè)務問題的更多的信息，例如，某些領域的一些數(shù)據(jù) 挖掘問題，數(shù)據(jù)挖掘者可以通過業(yè)務知識和數(shù)據(jù)知識知道這些。 通過這些領域的知識，數(shù)據(jù)挖掘者通過操縱問題空間可能更容易找到一個合適的技術解決方案。

因此，通過業(yè)務知識、數(shù)據(jù)知識、數(shù)據(jù)挖掘知識從根本上使得數(shù)據(jù)預處理更加得心應手。 數(shù)據(jù)預處理的這些方面并不能通過簡單的自動化實現(xiàn)。

這個定律也解釋了一個有疑義的現(xiàn)象，也就是雖然經(jīng)過數(shù)據(jù)獲取、清理、融合等方式創(chuàng)建一個數(shù)據(jù)倉庫，但是數(shù)據(jù)預處理仍然是必不可少的，仍然占有數(shù)據(jù)挖掘過程一 半以上的工作量。此外，就像CRISP-DM展示的那樣，即使經(jīng)過了主要的數(shù)據(jù)預處理階段，在創(chuàng)建一個有用的模型的反復過程中，進一步的數(shù)據(jù)預處理的必要 的。

第四，試驗律（NFL律：No Free Lunch）：對于數(shù)據(jù)挖掘者來說，天下沒有免費的午餐，一個正確的模型只有通過試驗（experiment）才能被發(fā)現(xiàn)。

機器學習有一個原則：如果我們充分了解一個問題空間（problem space），我們可以選擇或設計一個找到最優(yōu)方案的最有效的算法。一個卓越算法的參數(shù)依賴于數(shù)據(jù)挖掘問題空間一組特定的屬性集，這些屬性可以通過分析發(fā) 現(xiàn)或者算法創(chuàng)建。但是，這種觀點來自于一個錯誤的思想，在數(shù)據(jù)挖掘過程中數(shù)據(jù)挖掘者將問題公式化，然后利用算法找到解決方法。事實上，數(shù)據(jù)挖掘者將問題公 式化和尋找解決方法是同時進行的—–算法僅僅是幫助數(shù)據(jù)挖掘者的一個工具。

有五種因素說明試驗對于尋找數(shù)據(jù)挖掘解決方案是必要的：

· 數(shù)據(jù)挖掘項目的業(yè)務目標定義了興趣范圍（定義域），數(shù)據(jù)挖掘目標反映了這一點；

· 與業(yè)務目標相關的數(shù)據(jù)及其相應的數(shù)據(jù)挖掘目標是在這個定義域上的數(shù)據(jù)挖掘過程產(chǎn)生的；

· 這些過程受規(guī)則限制，而這些過程產(chǎn)生的數(shù)據(jù)反映了這些規(guī)則；

· 在這些過程中，數(shù)據(jù)挖掘的目的是通過模式發(fā)現(xiàn)技術（數(shù)據(jù)挖掘算法）和可以解釋這個算法結(jié)果的業(yè)務知識相結(jié)合的方法來揭示這個定義域上的規(guī)則；

· 數(shù)據(jù)挖掘需要在這個域上生成相關數(shù)據(jù)，這些數(shù)據(jù)含有的模式不可避免地受到這些規(guī)則的限制。

在這里強調(diào)一下最后一點，在數(shù)據(jù)挖掘中改變業(yè)務目標，CRISP-DM有所暗示，但經(jīng)常不易被覺察到。廣為所知的CRISP-DM過程不是下一個步驟僅接著上一個步驟的“瀑布”式的過程。事實上，在項目中的任何地方都可以進行任何CRISP-DM步驟，同樣商業(yè)理解也可以存在于任何一個步驟。業(yè)務目標不是簡 單地在開始就給定，它貫穿于整個過程。這也許可以解釋一些數(shù)據(jù)挖掘者在沒有清晰的業(yè)務目標的情況下開始項目，他們知道業(yè)務目標也是數(shù)據(jù)挖掘的一個結(jié)果，不是靜態(tài)地給定。

Wolpert的“沒有免費的午餐”理論已經(jīng)應用于機器學習領域，無偏的狀態(tài)好于（如一個具體的算法）任何其他可能的問題（數(shù)據(jù)集）出現(xiàn)的平均狀態(tài)。這是因為，如果我們考慮所有可能的問題，他們的解決方法是均勻分布的，以至于一個算法（或偏倚）對一個子集是有利的，而對另一個子集是不利的。這與數(shù)據(jù)挖掘者所知的具有驚人的相似性，沒有一個算法適合每一個問題。但是經(jīng) 過數(shù)據(jù)挖掘處理的問題或數(shù)據(jù)集絕不是隨機的，也不是所有可能問題的均勻分布，他們代表的是一個有偏差的樣本，那么為什么要應用NFL的結(jié)論？答案涉及到上 面提到的因素：問題空間初始是未知的，多重問題空間可能和每一個數(shù)據(jù)挖掘目標相關，問題空間可能被數(shù)據(jù)預處理所操縱，模型不能通過技術手段評估，業(yè)務問題本身可能會變化。由于這些原因，數(shù)據(jù)挖掘問題空間在數(shù)據(jù)挖掘過程中展開，并且在這個過程中是不斷變化的，以至于在有條件的約束下，用算法模擬一個隨機選擇的數(shù)據(jù)集是有效的。對于數(shù)據(jù)挖掘者來說：沒有免費的午餐。

這大體上描述了數(shù)據(jù) 挖掘過程。但是，在有條件限制某些情況下，比如業(yè)務目標是穩(wěn)定的，數(shù)據(jù)和其預處理是穩(wěn)定的，一個可接受的算法或算法組合可以解決這個問題。在這些情況下， 一般的數(shù)據(jù)挖掘過程中的步驟將會減少。 但是，如果這種情況穩(wěn)定是持續(xù)的，數(shù)據(jù)挖掘者的午餐是免費的，或者至少相對便宜的。像這樣的穩(wěn)定性是臨時的，因為 對數(shù)據(jù)的業(yè)務理解（第二律）和對問題的理解（第九律）都會變化的。

第五，模式律（大衛(wèi)律）：數(shù)據(jù)中總含有模式。

這條規(guī)律最早由David Watkins提出。 我們可能預料到一些數(shù)據(jù)挖掘項目會失敗，因為解決業(yè)務問題的模式并不存在于數(shù)據(jù)中，但是這與數(shù)據(jù)挖掘者的實踐經(jīng)驗并不相關。

前文的闡述已經(jīng)提到，這是因為：在一個與業(yè)務相關的數(shù)據(jù)集中總會發(fā)現(xiàn)一些有趣的東西，以至于即使一些期望的模式不能被發(fā)現(xiàn)，但其他的一些有用的東西可能會被 發(fā)現(xiàn)（這與數(shù)據(jù)挖掘者的實踐經(jīng)驗是相關的）；除非業(yè)務專家期望的模式存在，否則數(shù)據(jù)挖掘項目不會進行，這不應感到奇怪，因為業(yè)務專家通常是對的。

然而，Watkins提出一個更簡單更直接的觀點：“數(shù)據(jù)中總含有模式。”這與數(shù)據(jù)挖掘者的經(jīng)驗比前面的闡述更一致。這個觀點后來經(jīng)過Watkins修正，基于客戶關系的數(shù)據(jù)挖掘項目，總是存在著這樣的模式即客戶未來的行為總是和先前的行為相關，顯然這些模式是有利可圖的（Watkins的客戶關系管理定律）。但是，數(shù)據(jù)挖掘者的經(jīng)驗不僅僅局限于客戶關系管理問題，任何數(shù)據(jù)挖掘問題都會存在模式（Watkins的通用律）。

Watkins的通用律解釋如下：

數(shù)據(jù)挖掘項目的業(yè)務目標定義了興趣范圍（定義域），數(shù)據(jù)挖掘目標反映了這一點；

與業(yè)務目標相關的數(shù)據(jù)及其相應的數(shù)據(jù)挖掘目標是在這個定義域上的數(shù)據(jù)挖掘過程產(chǎn)生的；

這些過程受規(guī)則限制，而這些過程產(chǎn)生的數(shù)據(jù)反映了這些規(guī)則；

在這些過程中，數(shù)據(jù)挖掘的目的是通過模式發(fā)現(xiàn)技術（數(shù)據(jù)挖掘算法）和可以解釋這個算法結(jié)果的業(yè)務知識相結(jié)合的方法來揭示這個定義域上的規(guī)則；

數(shù)據(jù)挖掘需要在這個域上生成相關數(shù)據(jù)，這些數(shù)據(jù)含有的模式不可避免地受到這些規(guī)則的限制。

 總結(jié)這一觀點：數(shù)據(jù)中總存在模式，因為在這過程中不可避免產(chǎn)生數(shù)據(jù)這樣的副產(chǎn)品。為了發(fā)掘模式，過程從（你已經(jīng)知道它）—–業(yè)務知識開始。

利用業(yè)務知識發(fā)現(xiàn)模式也是一個反復的過程；這些模式也對業(yè)務知識有貢獻，同時業(yè)務知識是解釋模式的主要因素。在這種反復的過程中，數(shù)據(jù)挖掘算法簡單地連接了業(yè)務知識和隱藏的模式。

如果這個解釋是正確的，那么大衛(wèi)律是完全通用的。除非沒有相關的數(shù)據(jù)的保證，否則在每個定義域的每一個數(shù)據(jù)挖掘問題總是存在模式的。

第六，洞察律：數(shù)據(jù)挖掘增大對業(yè)務的認知。

數(shù) 據(jù)挖掘是如何產(chǎn)生洞察力的？這個定律接近了數(shù)據(jù)挖掘的核心：為什么數(shù)據(jù)挖掘必須是一個業(yè)務過程而不是一個技術過程。業(yè)務問題是由人而非算法解決的。數(shù)據(jù)挖 掘者和業(yè)務專家從問題中找到解決方案，即從問題的定義域上達到業(yè)務目標需要的模式。數(shù)據(jù)挖掘完全或部分有助于這個認知過程。數(shù)據(jù)挖掘算法揭示的模式通常不 是人類以正常的方式所能認識到的。綜合這些算法和人類正常的感知的數(shù)據(jù)挖掘過程在本質(zhì)上是敏捷的。在數(shù)據(jù)挖掘過程中，問題解決者解釋數(shù)據(jù)挖掘算法產(chǎn)生的結(jié) 果，并統(tǒng)一到業(yè)務理解上，因此這是一個業(yè)務過程。

這類似于“智能放大器”的概念，在早期的人工智能的領域，AI的第一個實際成果不是智能機器，而是被稱為“智能放大器”的工具，它能夠協(xié)助人類使用者提高獲取有效信息的能力。數(shù)據(jù)挖掘提供一個類似的“智能放大器”，幫助業(yè)務專家解決他們不能單獨完成的業(yè)務問題。

總之，數(shù)據(jù)挖掘算法提供一種超越人類以正常方式探索模式的能力，數(shù)據(jù)挖掘過程允許數(shù)據(jù)挖掘者和業(yè)務專家將這種能力融合在他們的各自的問題的中和業(yè)務過程中。

第七，預測律：預測提高了信息泛化能力。

“預測”已經(jīng)成為數(shù)據(jù)挖掘模型可以做什么的可接受的描述，即我們常說的“預測模型”和“預測分析”。這是因為許多流行的數(shù)據(jù)挖掘模型經(jīng)常使用“預測最可能的結(jié)果”（或者解釋可能的結(jié)果如何有可能）。這種方法是分類和回歸模型的典型應用。

但是，其他類型的數(shù)據(jù)挖掘模型，比如聚類和關聯(lián)模型也有“預測”的特征。這是一個含義比較模糊的術語。一個聚類模型被描述為“預測”一個個體屬于哪個群體，一個關聯(lián)模型可能被描述為基于已知基本屬性“預測”一個或更多屬性。

同樣我們也可以分析“預測”這個術語在不同的主題中的應用：一個分類模型可能被說成可以預測客戶行為—-更加確切的說它可以預測以某種確定行為的目標客戶，即使不是所有的目標個體的行為都符合“預測”的結(jié)果。一個詐騙檢測模型可能被說成可以預測個別交易是否具有高風險性，即使不是所有的預測的交易都有欺詐行為。

“預測”這個術語廣泛的使用導致了所謂的“預測分析”被作為數(shù)據(jù)挖掘的總稱，并且在業(yè)務解決方案中得到了廣泛的應用。但是我們應該意識到這不是日常所說的“預測”，我們不能期望預測一個特殊個體的行為或者一個特別的欺詐調(diào)查結(jié)果。

那么，在這個意義下的“預測”是什么？分類、回歸、聚類和 關 聯(lián)算法以及他們集成模型有什么共性呢？答案在于“評分”，這是預測模型應用到一個新樣例的方式。模型產(chǎn)生一個預估值或評分，這是這個樣例的新信息的一部 分；在概括和歸納的基礎上，這個樣例的可利用信息得到了提高，模式被算法發(fā)現(xiàn)和模型具體化。值得注意的是這個新信息不是在“給定”意義上的“數(shù)據(jù)”，它僅 有統(tǒng)計學意義。

第八，價值律：數(shù)據(jù)挖掘的結(jié)果的價值不取決于模型的穩(wěn)定性或預測的準確性。

準確性和穩(wěn)定性是預測模型常用的兩個度量。準確性是指正確的預測結(jié)果所占的比例；穩(wěn)定性是指當創(chuàng)建模型的數(shù)據(jù)改變時，用于同一口徑的預測數(shù)據(jù)，其預測結(jié)果變 化有多大（或多?。ｈb于數(shù)據(jù)挖掘中預測概念的核心角色，一個預測模型的準確性和穩(wěn)定性常被認為決定了其結(jié)果的價值的大小，實際上并非如此。

體現(xiàn)預測模型價值的有兩種方式：一種是用模型的預測結(jié)果來改善或影響行為，另一種是模型能夠傳遞導致改變策略的見解（或新知識）。

對于后者，傳遞出的任何新知識的價值和準確性的聯(lián)系并不那么緊密；一些模型的預測能力可能有必要使我們相信發(fā)現(xiàn)的模式是真實的。然而，一個難以理解的復雜的 或者完全不透明的模型的預測結(jié)果具有高準確性，但傳遞的知識也不是那么有見地；然而，一個簡單的低準確度的模型可能傳遞出更有用的見解。

準確性和價值之間的分離在改善行為的情況下并不明顯，然而一個突出問題是“預測模型是為了正確的事，還是為了正確的原因?” 換句話說，一個模型的價值和它的預測準確度一樣，都源自它的業(yè)務問題。例如，客戶流失模型可能需要高的預測準確度，否則對于業(yè)務上的指導不會那么有效。相 反的是一個準確度高的客戶流失模型可能提供有效的指導，保留住老客戶，但也僅僅是最少利潤客戶群體的一部分。如果不適合業(yè)務問題，高準確度并不能提高模型 的價值。

模型穩(wěn)定性同樣如此，雖然穩(wěn)定性是預測模型的有趣的度量，穩(wěn)定性不能代替模型提供業(yè)務理解的能力或解決業(yè)務問題，其它技術手段也是如此。

總之，預測模型的價值不是由技術指標決定的。數(shù)據(jù)挖掘者應該在模型不損害業(yè)務理解和適應業(yè)務問題的情況下關注預測準確度、模型穩(wěn)定性以及其它的技術度量。

第九，變化律：所有的模式因業(yè)務變化而變化。

數(shù)據(jù)挖掘發(fā)現(xiàn)的模式不是永遠不變的。數(shù)據(jù)挖掘的許多應用是眾所周知的，但是這個性質(zhì)的普遍性沒有得到廣泛的重視。

數(shù)據(jù)挖掘在市場營銷和CRM方面的應用很容易理解，客戶行為模式隨著時間的變化而變化。行為的變化、市場的變化、競爭的變化以及整個經(jīng)濟形勢的變化，預測模型會因這些變化而過時，當他們不能準確預測時，應當定期更新。

數(shù)據(jù)挖掘在欺詐模型和風險模型的應用中同樣如此，隨著環(huán)境的變化欺詐行為也在變化，因為罪犯要改變行為以保持領先于反欺詐。欺詐檢測的應用必須設計為就像處理舊的、熟悉的欺詐行為一樣能夠處理新的、未知類型的欺詐行為。

某些種類的數(shù)據(jù)挖掘可能被認為發(fā)現(xiàn)的模式不會隨時間而變化，比如數(shù)據(jù)挖掘在科學上的應用，我們有沒有發(fā)現(xiàn)不變的普遍的規(guī)律？也許令人驚奇的是，答案是即使是這些模式也期望得到改變。理由是這些模式并不是簡單的存在于這個世界上的規(guī)則，而是數(shù)據(jù)的反應—-這些規(guī)則可能在某些領域確實是靜態(tài)的。

然而，數(shù)據(jù)挖掘發(fā)現(xiàn)的模式是認知過程的一部分，是數(shù)據(jù)挖掘在數(shù)據(jù)描述的世界與觀測者或業(yè)務專家的認知之間建立的一個動態(tài)過程。因為我們的認知在持續(xù)發(fā)展和增 長，所以我們也期望模式也會變化。明天的數(shù)據(jù)表面上看起來相似，但是它可能已經(jīng)集合了不同的模式、（可能巧妙地）不同的目的、不同的語義；分析過程因受業(yè) 務知識驅(qū)動，所以會隨著業(yè)務知識的變化而變化。基于這些原因，模式會有所不同。

總之，所有的模式都會變化，因為他們不僅反映了一個變化的世界，也反映了我們變化的認知。

后記：

這九條定律是關于數(shù)據(jù)挖掘的簡單的真知。這九條定律的大部分已為數(shù)據(jù)挖掘者熟知，但仍有一些不熟悉（例如，第五、第六、第七）。大多數(shù)新觀點的解釋都和這九條定律有關，它試圖解釋眾所周知的數(shù)據(jù)挖掘過程中的背后的原因。

我們?yōu)槭裁春伪卦谝?a href='/map/shujuwajue/' style='color:#000;font-size:inherit;'>數(shù)據(jù)挖掘過程所采用的形式呢？除了知識和理解這些簡單的訴求，有實實在在的理由去探討這些問題。

數(shù)據(jù)挖掘過程以現(xiàn)在的形式存在是因為技術的發(fā)展—-機器學習算法的普及以及綜合其它技術集成這些算法的平臺的發(fā)展，使得商業(yè)用戶易于接受。我們是否應該期望因技術的改變而改變數(shù)據(jù)挖掘過程？最終它會改變，但是如果我們理解數(shù)據(jù)挖掘過程形成的原因，然后我們可以辨別技術可以改變的和不能改變的。

一些技術的發(fā)展在預測分析領域具有革命性的作用，例如數(shù)據(jù)預處理的自動化、模型的重建以及在部署的框架里通過預測模型集成業(yè)務規(guī)則。數(shù)據(jù)挖掘的九條定律及其 解釋說明：技術的發(fā)展不會改變數(shù)據(jù)挖掘過程的本質(zhì)。這九條定律以及這些思想的進一步發(fā)展，除了有對數(shù)據(jù)挖掘者的教育價值之外，應該被用來判別未來任何數(shù)據(jù)挖掘過程革命性變化的訴求。