1、简述数据挖掘的过程 （1）数据清洗：清除数据噪声和与挖掘主题明显无关的数据 （2）数据集成：将多个数据源中的相关数据结合到一起 （3）数据选择：根据数据挖掘的目标选择待处理的数据 （4）数据转换：将数据转换为易于进行数据挖掘的数据存储形式 （5）数据挖掘：利用智能方法挖掘数据模式或规律知识 （6）模式评估：根据一定评估标准，从挖掘结果中筛选出有意义的相关知识 （7）知识表示：利用可视化和知识表达技术，向用户展示所挖掘的相关知识 2.客户细分的步骤： （1）商业理解：了解对客户进行细分的目的

1、简述数据挖掘的过程 （1）数据清洗：清除数据噪声和与挖掘主题明显无关的数据 （2）数据集成：将多个数据源中的相关数据结合到一起 （3）数据选择：根据数据挖掘的目标选择待处理的数据 （4）数据转换：将数据转换为易于进行数据挖掘的数据存储形式 （5）数据挖掘：利用智能方法挖掘数据模式或规律知识 （6）模式评估：根据一定评估标准，从挖掘结果中筛选出有意义的相关知识 （7）知识表示：利用可视化和知识表达技术，向用户展示所挖掘的相关知识 2.客户细分的步骤： （1）商业理解：了解对客户进行细分的目的

数据挖掘：数据清洗——数据噪声处理 一、什么是数据噪声？ 数据噪声(Noise)：数据集中的干扰数据（对场景描述不准确的数据），即测量变量中的随机误差或方差。 二、噪声数据与离群点的区别 观测量(Measurement) = 真实数据(True Data) + 噪声 (Noise)：而离群点(Outlier)属于观测量，既有可能是真实数据产生的，也有可能是噪声带来的，但是总的来说是和大部分观测量之间有明显不同的观测值。 数据噪声与离群点有很多相同的地方。之间没有太过明确的定义，主要看应用的场景