由于数据挖掘能分析出数据中的有用信息，给企业带来显著的经济效益，这使得数据挖掘技术越来越普及。如在销售数据中发掘顾客的消费习惯，并可从交易记录中找出顾客偏好的产品组合，其他包括找出流失顾客的特征与推出新产品的时机点等都是零售业常见的实例；利用数据挖掘分析顾客群的消费行为与交易纪录，结合基本数据，并依其对品牌价值等级的高低来区隔顾客，进而达到差异化营销的目的；制造业对数据挖掘的需求多运用在品质控管方面，从制造过程中找出影响产品品质最重要的因素，以期提高作业流程的效率。
近几年，电话公司、信用卡公司、保险公司以及股票交易商对诈欺行为的侦测都很有兴趣，这些行业每年因为诈欺行为而遭受的损失都非常巨大，数据挖掘可以从一些信用不良的客户数据中找出相似特征并预测可能的诈欺交易，达到减少损失的目的。金融业可以利用数据挖掘来分析市场动向，并预测个别公司的营运以及股价走向。数据挖掘的另一个独特的用法是在医疗业，用来预测手术、用药、诊断或是流程控制的效率。
归纳起来，数据挖掘技术的基本任务主要体现在分类与回归、聚类、关联规则、时序模式、偏差检测五个方面。图21是典型的数据挖掘应用场景。
我们经常会碰到这样的问题：
1）如何将信用卡申请人分为低、中、高风险群？
2）如何预测哪些顾客在未来半年内会取消该公司服务，哪些电话用户会申请增值服务？
3）如何预测银行可以安全地贷给贷款人的贷款量？
4）哪些使用2G通信网络的手机用户有可能转换到3G通信网络？
5）如何有效预测房地产开发中存在的风险？
除此之外，市场经理需要进行数据分析，以便帮助他预测具有某些特征的顾客会购买一台新的计算机；医学研究者希望分析乳腺癌数据，预测病人应当接受三种具体治疗方案的哪一种；这些都是分类与回归的例子。
分类（Classification）：指将数据映射到预先定义好的群组或类。
因为在分析测试数据之前，类别就已经确定了，所以分类通常被称为有监督的学习。分类算法要求基于数据属性值来定义类别，通常通过已知所属类别的数据的特征来描述类别。
分类就是构造一个分类函数（分类模型），把具有某些特征的数据项映射到某个给定的类别上。该过程由两步构成。
其中的训练数据集是带有类标号的，也就是说在分类之前，要划分的类别是已经确定的。通常分类模型是以分类规则、决策树或数学表达式的形式给出，图2-2就是一个三分类问题。
回归（Regression）：用属性的历史数据预测未来趋势。
回归首先假设一些已知类型的函数（例如线性函数、Logistic函数等）可以拟合目标数据，然后利用某种误差分析确定一个与目标数据拟合程度最好的函数，图2-3就是一个非线性回归问题。
回归模式的函数定义与分类模式相似，主要差别在于分类模式采用离散预测值（例如类标号），而回归模式采用连续的预测值。在这种观点下，分类和回归都是预测问题。但数据挖掘业界普遍认为：用预测法预测类标号为分类，预测连续值（例如使用回归方法）为预测。许多问题可以用线性回归解决，许多非线性问题可以通过对变量进行变化，从而转换为线性问题来解决。分类与回归建模原理如图2-4所示。
分类与回归常用算法见表2-1。
