CRISP-DM模型的六个阶段
CRISP-DM（CRoss-Industry Standard Process for Data Mining，数据挖掘的跨行业标准过程）是由Daimler Chrysler、SPSS和NCR三家机构共同发展起来的数据挖掘方法论（http://www.crisp-dm.org）。它将数据挖掘分为以下六个阶段：
1. 业务理解
从业务的角度理解项目实施的目的和要求，将这种理解转化为一个数据挖掘问题，并设计能达成目标的初步方案。
2. 数据理解
收集原始数据，熟悉它们，考察数据的质量问题，对数据形成初步的洞见。
3. 数据准备
从原始数据中构造用于建模的最终数据集，构造过程中包含观测选择和变量选择、数据转换和清理等多种活动。
4. 建模
选择并应用多种建模方法，优化各种模型。
5. 模型评估
全面评估模型，回顾建立模型的各个步骤，确保模型与业务目标一致，并决定如何使用模型的结果。
6. 模型发布
以客户友好的方式组织并呈现从数据挖掘中所获取的知识。这一阶段经常会在组织的决策过程中灵活地应用模型。例如，在建立了预测贷款企业违约率的模型后，模型发布形式可以如下：信贷员在前台输入一个贷款企业的各种信息，后台使用模型预测违约概率后直接反馈给前台，帮助信贷员决定是否给该企业贷款。
