数据挖掘的功能有哪些，按照《数据仓库与数据挖掘教程(第3版)》划分，一共包含关联分析、时序模式、聚类、分类、偏差检测、数值预测六大核心功能，分为描述型与预测型两大类；描述型用来挖掘已有数据里的隐藏规律，适合无历史标签的原始数据；预测型用来搭建模型预判未知结果，适合已经标注好类别的业务数据；如果你的数据集少于一万条样本，模型容易出现过拟合，挖掘效果会明显下降。

数据挖掘功能一：分类

分类属于预测型功能，你需要提前准备好带有类别标签的历史数据，训练模型把新数据自动划入预先设定好的类别里。电商平台用它判断用户会不会下单，银行用它划分信贷客户的风险等级。

数据挖掘功能二：回归预测

回归同样属于预测型功能，和分类最大区别是输出连续数字，而不是固定类别。你可以用它预测未来销量、房价、客流这类连续数值；当自变量之间存在多重共线性时，预测误差会有所上升。

数据挖掘功能三：聚类分析

聚类是无监督的描述型功能，数据不需要提前打上标签，算法自动把特征相近的数据自动归为一类。零售行业用它给客户分群，把消费习惯相近的用户划到同一个客群里做精细化运营。

数据挖掘功能四：关联规则分析

这项功能用来找出不同数据项共同出现的内在联系，经典场景就是购物篮分析，挖掘出“购买面包的顾客大概率同时购买牛奶”这类消费规律。你可以设置最小支持度与置信度，过滤掉偶然性的无效关联。

数据挖掘功能五：时序模式挖掘

专门针对带时间维度的数据，挖掘事件随时间变化的先后规律与周期性波动。你可以用它挖掘用户连续浏览商品的行为序列，或是识别月度销售额的周期性涨跌。

数据挖掘功能六：偏差检测（异常挖掘）

这项功能用来找出偏离整体数据规律的异常数据点。金融行业依靠它识别盗刷交易，工业场景依靠它发现设备运行的异常参数；要注意区分真实异常和数据录入错误，避免误剔除有效数据。

功能类型核心功能数据要求典型业务场景
预测型分类带有类别标签垃圾邮件识别、信用评级
预测型回归预测带有连续目标数值销量预估、价格测算
描述型聚类分析无标签原始数据用户分群、商品分组
描述型关联分析多项目交易记录交叉销售、商品组合设计
描述型时序模式带时间戳的序列数据用户行为轨迹、周期销量分析
描述型偏差检测完整整体数据集交易反欺诈、设备故障预警

在项目落地时，不要一次性启用全部功能，优先根据业务目标选定1至2项核心任务；比如做营销拓客优先选用分类+聚类，做商品组合优先选用关联规则。