大數據常用的算法（分類、迴歸分析、聚類、關聯規則）
在大數據時代，數據挖掘是最關鍵的工作。大數據的挖掘是從海量、不完全的、有噪聲的、模糊的、隨機的大型數據庫中發現隱含在其中有價值的、潛在有用的信息和知識的過程，也是一種決策支持過程。其主要基於人工智能，機器學習，模式學習，統計學等。通過對大數據高度自動化地分析，做出歸納性的推理，從中挖掘出潛在的模式，可以幫助企業、商家、用戶調整市場政策、減少風險、理性面對市場，並做出正確的決策。目前，在很多領域尤其是在商業領域如銀行、電信、電商等，數據挖掘可以解決很多問題，包括市場營銷策略制定、背景分析、企業管理危機等。大數據的挖掘常用的方法有分類、迴歸分析、聚類、關聯規則、神經網絡方法、Web 數據挖掘等。這些方法從不同的角度對數據進行挖掘。
(1)分類。
分類是找出數據庫中的一組數據對象的共同特點並按照分類模式將其劃分爲不同的類，其目的是通過分類模型，將數據庫中的數據項映射到摸個給定的類別中。可以應用到涉及到應用分類、趨勢預測中，如淘寶商鋪將用戶在一段時間內的購買情況劃分成不同的類，根據情況向用戶推薦關聯類的商品，從而增加商鋪的銷售量。
(2)迴歸分析
。迴歸分析反映了數據庫中數據的屬性值的特性，通過函數表達數據映射的關係來發現屬性值之間的依賴關係。它可以應用到對數據序列的預測及相關關係的研究中去。在市場營銷中，迴歸分析可以被應用到各個方面。如通過對本季度銷售的迴歸分析，對下一季度的銷售趨勢作出預測並做出針對性的營銷改變。
(3)聚類。
聚類類似於分類，但與分類的目的不同，是針對數據的相似性和差異性將一組數據分爲幾個類別。屬於同一類別的數據間的相似性很大，但不同類別之間數據的相似性很小，跨類的數據關聯性很低。
(4)關聯規則。
關聯規則是隱藏在數據項之間的關聯或相互關係，即可以根據一個數據項的出現推導出其他數據項的出現。關聯規則的挖掘過程主要包括兩個階段：第一階段爲從海量原始數據中找出所有的高頻項目組;第二極端爲從這些高頻項目組產生關聯規則。關聯規則挖掘技術已經被廣泛應用於金融行業企業中用以預測客戶的需求，各銀行在自己的ATM 機上通過捆綁客戶可能感興趣的信息供用戶瞭解並獲取相應信息來改善自身的營銷。
(5)神經網絡方法。
神經網絡作爲一種先進的人工智能技術，因其自身自行處理、分佈存儲和高度容錯等特性非常適合處理非線性的以及那些以模糊、不完整、不嚴密的知識或數據爲特徵的處理問題，它的這一特點十分適合解決數據挖掘的問題。典型的神經網絡模型主要分爲三大類：第一類是以用於分類預測和模式識別的前饋式神經網絡模型，其主要代表爲函數型網絡、感知機;第二類是用於聯想記憶和優化算法的反饋式神經網絡模型，以Hopfield 的離散模型和連續模型爲代表。第三類是用於聚類的自組織映射方法，以ART 模型爲代表。雖然神經網絡有多種模型及算法，但在特定領域的數據挖掘中使用何種模型及算法並沒有統一的規則，而且人們很難理解網絡的學習及決策過程。
(6)Web數據挖掘。
Web數據挖掘是一項綜合性技術，指Web 從文檔結構和使用的集合C 中發現隱含的模式P，如果將C看做是輸入，P 看做是輸出，那麼Web 挖掘過程就可以看做是從輸入到輸出的一個映射過程。
當前越來越多的Web 數據都是以數據流的形式出現的，因此對Web 數據流挖掘就具有很重要的意義。目前常用的Web數據挖掘算法有：PageRank算法，HITS算法以及LOGSOM 算法。這三種算法提到的用戶都是籠統的用戶，並沒有區分用戶的個體。目前Web 數據挖掘面臨着一些問題，包括：用戶的分類問題、網站內容時效性問題，用戶在頁面停留時間問題，頁面的鏈入與鏈出數問題等。在Web 技術高速發展的今天
這些問題仍舊值得研究並加以解決