1. 知识发现包含以下几个步骤：
（1）数据清理，清除噪声或不一致数据；
（2）数据集成，多种数据源可以组合在一起；
（3）数据选择，从数据库中提取与分析任务相关的数据；
（4）数据变换，数据变换或统一成适合挖掘的形式；
（5）数据挖掘，使用只能方法提取数据模式；
（6）模式评估，根据某种兴趣度度量，识别提供知识的真正有趣的模式；
（7）知识表示，使用可视化和知识表示技术，向用户提供挖掘的知识。

2. 数据清洗中缺失值处理的六种方法包括：
（1）忽略元组；
（2）人工填写缺失值；
（3）使用一个全局常量填写缺失值；
（4）使用属性的中心度量（如均值或中位数）填充缺失值；
（5）使用与给定元组属于同一类的所有样本的属性均值或中位数填写。
（6）使用最可能的值填写，即基于一些预测工具确定缺失值。

3. 分类过程包括以下阶段：
第一阶段：模型构造。
准备好训练数据集；
判别好条件属性和类别属性；
建立分类模型。
第二阶段：模型测试
准备好测试数据集；
用模型推导出的类别和已知的类别比较；
计算准确度，判断模型优劣。
第三阶段：模型应用
利用得到的分类模型，预测类别未知的样本的所属类别。

4. 分类的定义：总结已有类别的对象的特点，并根据这些特点进行未知类别对象的类别预测的过程。
聚类分析的定义：把一组个体按照相似性归类为若干个类别，其目的是使同一类别的个体间的差别尽可能小，而不同个体间的差别尽可能大。
区别：分类总是在特定的类标识下寻求新元素属于哪一类，是有监督学习；而聚类分析则是通过对数据的分析、比较生成新的类标识，是无监督学习。