前言：想要寫出一篇引人入勝的文章？我們特意為您整理了數據挖掘關鍵技術分析范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：本文主要探討將數據挖掘技術研究，對海量數據進行挖掘和分析，運用數據可視化將數據進行分類整理。運用數據挖掘的算法：C4.5、K-Means、Apriori、EM、PageRank等算法對數據進行整理。并將該算法運用到管理方面，充分利用數據挖掘技術在數據分析方面的強大功能來對管理系統中的海量數據進行分析，發現數據背后的問題和規律從而為管理服務，并不斷完善管理信息系統中的數據分析功能。以便對各類數據展開深入分析，從中獲取有價值的信息，為改革發展提供數據層面的決策分析支持。

關鍵詞：數據挖掘；大數據；數據聚類；海量數據

一、引言

關于數據挖掘（datamining，DM）的具體定義常常取決定義者的觀點、背景以及定義的分析角度。本文主要探討將數據挖掘技術研究，對海量數據進行挖掘和分析，運用數據可視化將數據進行分類整理。運用數據挖掘的算法：C4.5、K-Means、Apriori、EM、PageRank等算法對數據進行整理。將C4.5、K-Means、Apriori、EM、PageRank等算法運用到管理方面，充分利用數據挖掘技術在數據分析方面的強大功能來對管理系統中的海量數據進行分析，發現數據背后的問題和規律從而為管理服務，并不斷完善管理信息系統中的數據分析功能。

二、數據挖掘基本過程

數據挖掘幾個階段如圖1所示。

三、數據挖掘的分類

特征加權支持向量機由核函數經特征加權構造的支持向量機。并且特征加權核函數pK定義為：改進支持向量機SVM算法的詳細步驟如下：Step2.所得指標參數對其相應的特征屬性加權，構造加權的特征向量:()(1)()()(,,),(1,,)inRFGx=gxgxi=n來優化核函數中的原始特征內積。Step3.以p建立特征加權的核函數pK，構造待輸入空間的線性變換矩陣()(())ip=diagRFGx。Step4.應用所構造的特征加權的核函數pK在程序設計中替換傳統的支持向量機SVM模型中的線性核函數。通常，利用的技術越多，得出的結果精確性就越高，這主要是因為對某種技術不適合的問題，其他方法卻可奏效。

四、結論

通過將數據挖掘技術研究，對海量數據進行挖掘和分析，運用數據可視化將數據進行分類整理。運用數據挖掘的算法：C4.5、K-Means、Apriori、EM、PageRank等算法對數據進行整理。并將該算法運用到管理方面，充分利用數據挖掘技術在數據分析方面的強大功能來對管理系統中的海量數據進行分析，發現數據背后的問題和規律從而為管理服務，并不斷完善管理信息系統中的數據分析功能。

參考文獻

[1]劉敏杰.教務管理系統安全維護策略[J].人力資源管理,2017(5):188-189.

[2]周瑩.教務管理系統信息化的對策研究[J].無線互聯科技,2017(9):124-125.

作者：李加慶 原士棟 單位：山東女子學院