数据挖掘的功能和他们可以发现的模式类型有（）。A、特征化和区分B、关联分析C、孤立点分析D、演变分析E、变量分析

数据挖掘的功能包括分类和预测、聚类分析、关联分析和离群点分析，数据分析并不是数据挖掘的功能。

本题考查数据挖掘基础知识。数据挖掘就是应用一系列技术从大型数据库或数据仓库中提取人们感兴趣的信息和知识，这些知识或信息是隐含的，事先未知而潜在有用的，提取的知识表示为概念、规则、规律、模式等形式。也可以说，数据挖掘是一类深层次的数据分析。无论采用哪种技术完成数据挖掘，从功能上可以将数据挖掘的分析方法划分为四种即关联分析、序列模式分析、分类分析和聚类分析。①关联分析（Associations）：目的是为了挖掘出隐藏在数据间的相互关系。若设R={A1，A2，...，AP}为{0，1}域上的属性集，r为R上的一个关系，关于r的关联规则表示为X→B，其中X∈R，B∈R，且X∩B=¤。关联规则的矩阵形式为：矩阵r中，如果在行X的每一列为1，则行B中各列趋向于为1。在进行关联分析的同时还需要计算两个参数，最小置信度（Confidence）和最小支持度（Support）。前者用以过滤掉可能性过小的规则，后者则用来表示这种规则发生的概率，即可信度。②序列模式分析（Sequential Patterns）：目的也是为了挖掘出数据之间的联系，但它的侧重点在于分析数据间的前后关系（因果关系）。例如，将序列模式分析运用于商业，经过分析，商家可以根据分析结果发现客户潜在的购物模式，发现顾客在购买一种商品的同时经常购买另一种商品的可能性。在进行序列模式分析时也应计算置信度和支持度。③分类分析（Classifiers）：首先为每一个记录赋予一个标记（一组具有不同特征的类别），即按标记分类记录，然后检查这些标定的记录，描述出这些记录的特征。这些描述可能是显式的，如一组规则定义；也可能是隐式的，如一个数学模型或公式。④聚类分析（Clustering）：聚类分析法是分类分析法的逆过程，它的输入集是一组未标定的记录，即输入的记录没有作任何处理。目的是根据一定的规则，合理地划分记录集合，并用显式或隐式的方法描述不同的类别。在实际应用的DM系统中，上述四种分析方法有着不同的适用范围，因此经常被综合运用。

从功能上可以将数据挖掘的分析方法划分为四种，即关联(Associations)分析、序列模式(Sequential Patterns)分析、分类(Classifiers)分析和聚类(Clustering)分析。

关联分析、序列分析、分类分析、聚类分析的基本思想为：。

（1）关联分析。关联分析主要用于发现不同事件之间的关联性，即一个事件发生的同时，另一个事件也经常发生。关联分析的重点在于快速发现那些有实用价值的关联发生的事件。其主要依据是事件发生的概率和条件概率应该符合一定的统计意义。在进行关联分析的同时，还需要计算两个参数，分别是最小置信度（可信度）和最小支持度，前者表示规则需满足的最低可靠度，用以过滤掉可能性过小的规则；后者则用来表示规则在统计意义上需满足的最小程度。

（2）序列分析。序列分析主要用于发现一定时间间隔内接连发生的事件，这些事件构成一个序列，发现的序列应该具有普遍意义，其依据除了统计上的概率之外，还要加上时间的约束。在进行序列分析时，也应计算置信度和支持度。

（3）分类分析。分类分析通过分析具有类别的样本特点，得到决定样本属于各种类别的规则或方法。利用这些规则和方法对未知类别的样本分类时应该具有一定的准确度。其主要方法有基于统计学的贝叶斯方法、神经网络方法、决策树方法等。分类分析时首先为每个记录赋予一个标记（一组具有不同特征的类别），即按标记分类记录，然后检查这些标定的记录，描述出这些记录的特征。这些描述可能是显式的，例如，一组规则定义；也可能是隐式的，例如，一个数学模型或公式。

（4）聚类分析。聚类分析是根据“物以类聚”的原理，将本身没有类别的样本聚集成不同的组，并且对每个这样的组进行描述的过程。其主要依据是聚集到同一个组中的样本应该彼此相似，而属于不同组的样本应该足够不相似。聚类分析法是分类分析法的逆过程，它的输入集是一组未标定的记录，即输入的记录没有作任何处理，目的是根据一定的规则，合理地划分记录集合，并用显式或隐式的方法描述不同的类别。

在实际应用的DM系统中，上述四种分析方法有着不同的适用范围，因此经常被综合运用。