1. 数据挖掘的六大模型
决策树算法本身的特点使其适合进行属性数（特征数）较少情况下的高质量分类,因而适用于仅仅利用主题无关特征进行学习的关键资源定位任务。
决策树算法的核心问题是选取在树的每个结点即要测试的属性,争取能够选择出最有助于分类实例的属性.为了解决这个问题,ID3算法引入了信息增益的概念,并使用信息增益的多少来决定决策树各层次上的不同结点即用于分类的重要属性。
2. 数据分析 数据挖掘 数据建模
大数据在侦查破案中的功劳也不可小觑，能够帮助侦查人员精确锁定犯罪嫌疑人、扩展案件相关线索，并深入挖掘其他罪行。大数据精确型侦查能够回应新常态下犯罪发展出的系列性、跨区域性、地域性趋势，弥补过去侦查机关由于对信息占有量不足、准确性低，所导致的破案率低、追赃少的不足，是刑事侦查在大数据时代对犯罪形势主动适应的又一重要探索。
犯罪与侦查之间的主要矛盾，在于犯罪主体与侦查主体围绕犯罪行为占有信息之间的不平衡，以及犯罪主体出于逃避刑罚的目的，掩饰、隐藏、破坏犯罪证据、线索的行为与侦查机关出于维护社会稳定，保护公民人身、财产权利的目的展开的发现犯罪事实、犯罪嫌疑人、犯罪相关线索的行为之间的冲突。大数据时代，犯罪与侦查的博弈仍在继续：一方面，犯罪的疆域进一步扩张，技术突破与设备设施的升级换代致使犯罪的出口也相应增多，若不能及时、全面、准确地掌握犯罪动态，很可能将犯罪分子放走，贻误战机；另一方面，大数据时代也给侦查工作提供了更多可能。侦查主体可以应用数据感知，拓宽对犯罪的认知域，应用数据挖掘预知犯罪的发生风险，发现与犯罪相关的一切信息，应用数据研判辅助理性决策的产出，以帮助侦查人员更加精确地打击犯罪。
大数据精确型侦查在追逃中的表现尤为突出，帮助公安机关抓获了一大批负案在逃的犯罪嫌疑人。
3. 数据分析挖掘模型
未至科技魔方是一款大数据模型平台，是一款基于服务总线与分布式云计算两大技术架构的一款数据分析、挖掘的工具平台，其采用分布式文件系统对数据进行存储，支持海量数据的处理。
采用多种的数据采集技术，支持结构化数据及非结构化数据的采集。通过图形化的模型搭建工具，支持流程化的模型配置。通过第三方插件技术，很容易将其他工具及服务集成到平台中去。数据分析研判平台就是海量信息的采集，数据模型的搭建，数据的挖掘、分析最后形成知识服务于实战、服务于决策的过程，平台主要包括数据采集部分，模型配置部分，模型执行部分及成果展示部分等。
4. 常用的数据挖掘的模型和算法
1、分类（预测离散值输出）：首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。——判断肿瘤良性/恶性
分类算法：决策树、逻辑回归、贝叶斯分类
2、聚类（Clustering）将数据分组成为多个集群（Cluster），在同一个集群内的对象之间具有较高的相似度，不同类之间的对象差别较大。聚类分析要解决的问题是将数据分成内部高内聚，外部低耦合的集合，这样对相似的事物进行分析就会更有针对性。——市场划分；社交网络分析；天文数据分析
5. 三大经典数据模型
3d打印技术最重要的数据来源三维模型数据库,三维模型数据库是以某一种数据模型为基础,采用数据定义语言DDL来表达数据的逻辑结构、与数据有关的安全性及完整性要求,数据项之间的联系等信息。 3D打印通常是采用数字技术材料打印机来实现的
6. 数据挖掘主要构建四大类模型
OLAP与数据挖掘DM具有本质区别
（1）功能不同
数据挖掘DM的功能在于知识发现KDD。如：数据挖掘DM中的“分类”包括：贝叶斯分类、粗糙集分类、决策树分类等，是从数据中发现知识规则，是“透过现象看本质”；
而联机分析OLAP的功能在于“统计”和统计结果的展示，是“现象”和“表象”，不能实现数据挖掘DM的知识发现KDD功能。
（2）数据组成不同
数据挖是从混沌的、具有巨大噪声的数据中提炼知识规则；
而联机分析OLAP只是从已经规范化的、纯净的关系数据库中组织数据。
（3）知识与数据的关系不同
数据挖掘DM是从数据中发现知识KDD；
而联机分析OLAP是利用人已知的知识来有意识地组织和使用数据。
（4）基本方法不同
数据挖掘的基础是数学模型和算法；
而OLAP不需要数学模型和算法支持，只与数据仓库和OLAP自身知识相关。
7. 几种数据挖掘模型
1.数据挖掘竞赛是指:从海量数据中找到有意义的模式或知识的一类专业竞赛。
2.数据挖掘竞赛涉及到很多的算法，有源于机器学习的神经网络，决策树，也有基于统计学习理论的支持向量机，分类回归树，和关联分析的诸多算法。
3.数据挖掘竞赛内容就是:反复做数据观察， 反复增剪特征（需要领域知识和运气）， 反复尝试各种各种模型，要进行各种各样的尝试，发掘有益数据和知识。所以工程代码量会很大。
随着人工智能的发展，越来越多的公司开始举办数据挖掘竞赛比赛，题目类型也越来越丰富。
8. 数据挖掘的六大模型是什么
六个步骤是:
1. 定义问题
2. 准备数据
3. 浏览数据
4. 生成模型
5. 浏览和验证模型
6. 部署和更新模型
数据挖掘(DataMining)，就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程，简单的说，数据挖掘就是从大量数据中提取或“挖掘”知识。
此过程包括以下六个基本步骤进行定义：
1. 定义问题
2. 准备数据
3. 浏览数据
4. 生成模型
5. 浏览和验证模型
6. 部署和更新模型