什么是数据挖掘指标？
数据挖掘是人工智能的一种形式，它使用感知模型、分析模型和多种算法来模拟人脑的技术。数据挖掘支持机器做出人类决策并创造人类选择。
数据挖掘工具的用户必须指导机器规则、偏好甚至经验，以获得决策支持数据挖掘指标如下-
有用性-有用性涉及几个指标，这些指标告诉我们模型是否提供了有用的数据。例如，将保存位置与销售相关联的数据挖掘模型可能既准确又可靠，但无法使用，因为它无法通过在同一位置插入更多商店来概括该结果。
此外，它没有回答为什么特定地点的销售额更高的基本业务问题。它还可以发现看似成功的模型毫无意义，因为它取决于数据中的互相关。
投资回报(ROI)-数据挖掘工具将发现隐藏在数据中的有趣模式并开发预测模型。这些模型将有几个度量来表示它们与记录的拟合程度。目前尚不清楚如何根据作为数据挖掘分析元素报告的一些措施来创建决策。
在数据挖掘期间访问财务信息-在财务方面制定决策的最简单方法是增加通常被挖掘以包含财务数据的原始信息。一些组织正在投资和开发数据仓库和数据集市。
仓库或集市的设计包含有关预期查询所需的分析和数据类型的考虑因素。它以一种允许访问财务信息以及访问有关产品属性、用户配置文件等的更典型数据的方式设计仓库，这可能是有用的。
将数据挖掘指标转换为财务条款-一般数据挖掘指标是“提升”的度量。提升是衡量通过使用特定模型或模式相对于未使用该模型的基本费率所实现的目标。高值意味着取得了很大的成就。看来，人们可以简单地根据Lift做出决策。
准确性-准确性是衡量模型将结果与支持的数据中的属性相关联的程度的度量。准确度有多种衡量标准，但所有准确度衡量标准都取决于所使用的信息。实际上，值可能缺失或近似，或者数据可能已被多个过程更改。
它是探索和发展的过程，它可以决定接受数据中特定数量的错误，特别是如果数据的特征相当一致。例如，根据过去的销售额预测特定商店销售额的模型可能具有很强的相关性并且非常准确，即使该商店一直使用错误的会计技术。因此，应通过可靠性评估来平衡准确度的测量。