当拿到一份处理好的数据时，我们首先应该做的是什么呢？是直接上手编写代码构造模型？都说事半功倍，所以在进行数据挖掘之前，我们头脑中一定要是有个完整的路径，这样，我们就能回溯于每个环节去检查整个项目（构造的模型），同样也是帮我们梳理整个项目的环节，可以帮助我们在项目汇报中，更好地分清楚层次重点。
1、数据挖掘的基本流程
通常分为六个步骤：
1.1、商业理解
一切都是从业务出发，然后再回归于业务。所以理解业务需求，也就是目标需求至关重要
1.2、数据理解
对一小部分数据进行简单的描述，往往数据量都是很大的，从小入手，对数据有个大概的认知，例如理解各个变量具体的含义以及对业务目标的关联或者影响，也可以做一些简单的数据可视化，初步探索数据的集中与离散趋势来发现背后可能的发展规律，当然这个要结合具体业务来看
1.3、数据准备
数据收集，数据清洗，数据集成，这一部分很重要，因为缺失值和异常值对建立模型的影响很大 ，而且如何结合业务来构造特征也非常重要，特征工程（特征构造，特征筛选等）很重要！像一些Kaggle竞赛，很多时候模型算法并不能提升效果了，这时尝试一下根据业务需求以及变量（特点，含义）来构造特征，可能会有一些提升
1.4、模型建立
选择合适的挖掘算法模型，调参优化，交叉检验等，记住：不是越复杂的模型越好，根据奥卡提姆刀原理，如果效果差不多，优先选择简单的模型，因为复杂的模型意味着成本越高
1.5、模型评估
评价模型，掌握模型评价的准则，从两个大方面来说，就是校准度和区分度，包括准确率、召回率、F1 score、AUC、ROC曲线等
1.6、上线发布
A/B test很重要，很重要，很重要
2、数据挖掘的十大算法
分类算法： C4.5，朴素贝叶斯（Naive Bayes），SVM，KNN，Adabosst，CART
聚类算法： K-means，EM
关联分析： Apriori
连接分析： PageRank
2.1、C4.5
决策树算法，在ID3的基础上进行改进优化，可以处理连续值属性，通过“剪枝”解决过拟合等
2.2、朴素贝叶斯（Naive Bayes）
基于概率论的原理，通过先验概率和数据来求取后验概率从而决定分类，理解"朴素"一词的具体含义
2.3、SVM
支持向量机，明白"支持向量"，“超平面”，"核函数"等概念
2.4、KNN
K近邻算法，可以理解为划取半径之内的点的类别来决定新数据的所属类别
2.5、Adaboost
是一种boost算法，将多个弱分类器组合成一个强分类器，串行算法，注意与bagging算法的区别
2.6、CART
分类回归树算法，特征分裂的评价标准不一样（Variance和Gini系数），可以实现分类也可以实现回归
2.7、Apriori
关联规则（association rules）算法，通过挖掘频繁项集（frequent item sets）来揭示物品之间的关联关系，被广泛应用到商业挖掘和网络安全等领域中。频繁项集是指经常出现在一起的物品的集合，关联规则暗示这两种物品之间可能存在很强的关系
2.8、K-means
聚类算法，通过迭代来求取中心点
2.9、EM
最大期望算法，是求参数的最大似然估计的一种方法。
2.10、PageRank
对网络中重要节点进行排序的算法
3、数据挖掘的数学原理
3.1、概率论与数理统计
假设检验、统计建模等
3.2、线性代数
矩阵分解，空间转换，数据变换，映射等
3.3、 图论
可以帮我们更好地理解数据结构以及算法的结构
3.4、最优化
凸优化，寻找最优等
4、总结
在做数据挖掘之前，脑海中一定要有这样一个完整的路径，并在项目中不断地去总结完善，形成自己的一套数据挖掘的方法
