数据智能、分析和数据科学：管理视角。04.培生教育。新泽西州。国际标准书号：9780134633282。 示例– 在此阶段生成数据是可选的。它涉及提取大型数据集，以便可以通过模式推断出重要的信息。作为优化成本和性能的一种方法，SAS 研究所应用完整详细信息源的可靠且具有统计代表性的样本，而不是挖掘整个数据量。 探索——通通过提供用户可以捕获并理解为他们可以做过寻找不可预见的模式和奇怪现象来探索数据。
这可以增加对数据的理解和想法而且它还细化了披
露过程，因为如果没有可视化，或者视觉本身不清楚，可以通过 瑞士 WhatsApp 号码数据 统计技术（聚类、因子分析等）来完成。 修改——通过创建、选择和转换变量来修改数据以集中模型选择，并且可以必要地添加任何附加信息或变量以使信息输出有意义。每当有新信息可用时，就可以更新或修改数据挖掘方法。
模型– 通过允许软件对数据进行建模例如时
间序列分析、基于记忆的推 DT 引线 理等统计模型。 评估——通过评估数据发现是否足够有价值（有用）和可靠来评估数据。在此阶段，还可以通过数据来衡量其表现如何。如果数据模型有效，它应该在保留样本和构建样本上都能正常工作。 然而，需要注意的是，在 SEMMA 的这些阶段之前，SEMMA 本身不仅仅是一种信息挖掘技术。具体来说，它是 SAS En法。
