数据可视化的作用是什么：1、数据表达数据表达是通过计算机图形图像技术来更加友好地展示数据信息，方便人们阅读、理解和运用数据。常见的形式如文本、图表、图像、二维图形、三维模型、网络图、树结构、符号和电子地图等。2、数据操作数据操作是以计算机提供的界面、接口、协议等条件为基础完成人与数据的交互需求，数据操作需要友好的人机交互技术、标准化的接口和协议支持来完成对多数据集合或者分布式的操作。3、数据分析数据分析是通过数据计算获得多维、多源、异构、和海量数据所隐含信息的核心手段，它是数据存储、数据转换、数据计算和数据可视化的综合应用。可视化作为数据分析的最终环节，直接影响着人们对数据的认识和应用。

数据挖掘的关联规则：关联规则常用于发现事物之间的相关关系，通过一种属性的出现来推断很可能出现的其他属性，能够起到一种预测作用。通过发现这种关联关系能够指导用户合理安排事物处理规则。

K-均值聚类方法K-均值聚类常用来对异常对象进行检测，如垃圾信息、欺诈性行为等。K-均值算法通过对数据集的聚类分析，找出数据集合中远离集聚簇的那些稀疏数据，再通过相应的处理方法作进一步处理，能够有效清洗不干净的数据，剔除恶意用户。

数据挖掘算法应用决策树分类算法,只需从树的根节点开始，将测试条件用于检验记录，根据测试结果选择合适的分支，一直到最后输出检验结果。利用贝叶斯网络进行病情分析诊断,医生可以根据病例数据建立合适的贝叶斯网络分类模型，如对心脏病或心口疼痛患者的病例数据进行建模。造成心脏病（HD）的因素可能有不健康的饮食（D）和缺少锻炼（E），心脏病带来的相应症状包括高血压（BP）和胸痛（CP）等。与此类似，心口痛（Hb）可能因为饮食不健康，同时也会造成胸痛。

大数据挖掘工具：1、HadoopHadoop是一种能够对大数据进行并行分布式处理的计算框架，以一种可靠、可伸缩、高效的方式对海量数据进行处理。Hadoop实现了一个分布式文件系统（HadoopDistributedFileSystem），简称HDFS。HDFS具有高容错性的特点，并且设计用来部署在低廉硬件上；而且它提供高吞吐量来访问应用程序的数据，适合那些有着超大数据集（largedataset）的应用程序。2、MahoutMahout的主要数据目标集是大规模数据，因此Mahout能够建立运行在ApacheHadoop平台上的可伸缩的机器学习算法，这些算法通过Mapreduce模式实现，但并不局限于Hadoop平台。3、SparkMLlibMLlib是构建在ApacheSpark上的一个可扩展的分布式机器学习库，充分利用了Spark的内存计算和适合迭代型计算的优势，将性能大幅度提升。MLlib支持的分类算法主要有：朴素贝叶斯、逻辑回归、决策树和支持向量机.MLlib支持的回归算法主要有：Lasso、线性回归、决策树和岭回归。聚类算法属于非监督式学习，MLlib目前支持广泛使用的Kmeans算法。MLlib也支持基于模型的协同过滤，其中用户和商品通过一小组隐语义因子进行表达，并且这些因子也用于预测缺失元素。4、StormStorm是一个开源的、分布式的具有高容错性的实时计算系统。Storm能够十分可靠地处理庞大的数据流，能够用来处理Hadoop的批量数据。Storm应用领域广泛，包括：在线机器学习、实时分析、分布式RPC（远过程调用）、持续计算、ETL等等。Storm的处理速度非常迅速，每个节点每秒可以处理上百万个数据元组，Storm支持多种语言编程，具有容错性高、可扩展、易于设置和操作的特点。5、ApacheDrillApacheDrill在基于SQL的数据分析和商业智能（BI）上引入了JSON(JavaScriptObjectNotation,JS对象标记)文件模型，使得用户能查询固定架构、演化架构以及各种格式和数据存储中的模式（columnar-free）无关数据。6、RapidMinerRapidMiner是德国多特蒙德工业大学于2007年推出的世界领先的数据挖掘工具，能够完成的数据挖掘任务涉及范围广泛，并且能够简化数据挖掘过程的设计和评价。7、PentahoBIPentahoBI是一个以流程为核心的，面向解决方案（Solution）而非工具组件的框架，其目的在于将一系列企业级BI产品、API、开源软件等组件加以集成，方便商务智能应用的开发。PentahoBI包括多个工具软件和一个webserver平台，支持分析、报表、图表、数据挖掘和数据集成等功能，允许商业分析人员或研发人员分析模型，创建报表，商业规则和BI流程。

数据挖掘常用算法有哪几类：大数据挖掘常用的算法有分类、聚类、回归分析、关联规则、特征分析、Web页挖掘、神经网络等智能算法。1、分类分类就是通过学习得到一个目标函数，根据目标数据的不同特点按照分类模式将其划分为不同的类别，其作用是通过分类模型，将目标数据映射到某个特定的类别。2、聚类聚类分析是把一组数据按照差异性和相似性分为几个类别，使得属于同一类的数据之间相似性尽可能大，不同类之间的相似性尽可能小，跨类的数据关联性尽可能低。3、回归分析回归分析是确定两种或两种以上变量相互之间依赖性关系的一种统计分析方法，用以分析数据的内在规律，常用于数值预报、系统控制等问题。4、关联分析关联分析最主要的目的就是找出隐藏在数据之间的相互关系和关联性，即可以根据一个数据项的出现推导出其他相关数据项的出现。5、特征分析特征分析是指从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式即为此数据集的总体特征。6、Web网页挖掘Web网页挖掘涉及Web技术、计算机语言、信息学等多个领域，是一个综合性过程。7、人工神经网络人工神经网络是一种模拟大脑神经突触联接结构来进行信息处理的数学模型，具有强大的自主学习能力和联想存储功能并具有高度容错性，非常适合处理非线性数据以及具有模糊性、不完整性、冗余性特征的数据。

数据挖掘基本概念：数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。这个定义包括几层含义：数据源必须是真实的、大量的、含噪声的；发现的是用户感兴趣的知识；发现的知识要可接受、可理解、可运用；并不要求发现放之四海皆准的知识，仅支持特定的发现问题。

数据分析活动步骤：由于大数据复杂多变的特殊属性，不同的学者对大数据分析方法的看法各异。总结起来，包括三种体系，分别是面向数据视角、面向流程视角和面向信息技术视角的分析方法。1、数据获取及储存2、数据信息抽取及无用信息的清洗3、数据整合及表示4、数据模型的建立和结果分析5、结果阐释

大数据分析方法的三种体系1、面向数据视角面向数据视角的大数据分析方法主要是以大数据分析处理的对象“数据”为依据，从数据本身的类型、数据量、数据处理方式以及数据能够解决的具体问题等方面对大数据分析方法进行分类。2、面向流程视角面向流程视角的大数据分析方法主要关注大数据分析的步骤和阶段。一般而言，大数据分析是一个多阶段的任务循环执行过程。3、面向信息技术视角面向信息技术视角的大数据分析方法强调大数据本身涉及到的新型信息技术，从大数据的处理架构、大数据系统和大数据计算模式等方面来探讨具体的大数据分析方法。

数据分析的类型：根据数据分析深度，可将数据分析分为三个层次：描述性分析（descriptiveanalysis），预测性(predictiveanalysis）分析和规则性分析（prescriptiveanalysis）。在统计学的领域当中，数据分析可划分为描述性统计分析、探索性数据分析及验证性数据分析三种类型。在人类探索自然的过程中，通常将数据分析方法分为定性数据分析和定量数据分析两大类。按照数据分析的实时性，一般将数据分析分为实时数据分析和离线数据分析。