（原创作者：陈玓玏）

       关于数据挖掘的定义七七八八的，但是总的来说，数据挖掘是从海量数据中挖掘有用的行为模式等信息，帮助智能化的决策。

       关于数据挖掘的步骤，也有很多划分，这里作者且大胆地按照自己的理解划分一下吧，分为需求理解、结果定义、数据收集、数据清洗、数据划分、特征提取、特征选择、模型选择、效果评估、模型监控、模型优化等步骤。这个是一个相对来讲比较细的划分了，不过每个细分步骤的存在都是有它的理由的。

       1. 需求理解（数据挖掘服务于特定业务或决策需求）；

       2. 结果定义（知道在决策中什么情况可以判定为好，什么情况应该判定为坏）；

       3. 数据收集（根据想要做的决策，收集相关的业务数据）；

       4. 数据清洗（将数据标准化、归一化、离散化）；

       5. 数据划分（很多分析都需要做时间窗口的划分，比如分析用户的行为特征和当前行为的状态特征，需要划分不同的时间窗口分别分析）；

       6. 特征提取（也就是造变量，把原始的业务数据变为更有意义的变量，通常涉及一些简单的统计，如求最大、最小、均值等）；

        7. 特征选择（造的变量并不是每个都与主题有那么强的关联性，而且有的变量之间存在很强的相关性，会产生冗余，而这些又会使得模型容易过拟合，因为要做归约）；

        8. 模型选择（这个就不用说了，模型本身就分很多种，做分类的，做聚类的，做回归的，每一种内部又存在很多模型，很多模型都有它的优缺点和适用场景，应该根据自己的业务需求、时间、样本量、数据类型等等来选择合适的模型）；

       9. 效果评估（评估建模的成果）；

       10. 模型监控（模型有时会不稳定，换一批样本量效果就大大折扣，而且数据挖掘本身就是一个探索的过程）；

       11. 模型优化（这个就是调参啦，交叉验证啦，还有根据自己的经验去选择新的模型，提取新的变量，都属于模型优化的范畴）。

       每个步骤内部还分很多方法，比如数据的清洗涉及的标准化，包括数据处理为统一格式，替换所有的缺失值为指定的缺失对象（比如pandas中的nan类型对象），又比如特征选择所涉及的冗余分析、特征过滤等，作者把自己学到的不完整的一些内容做了分类整理，还不够完善，后期还会慢慢往里面添加，但是能让大家在学习之后有个系统的概念。如果图中有些错误或者有什么希望补充的，可以给我留言，谢谢~

       下面上图。