数据：了解并对其进行文档配置

　　首先，你必须了解如何从各种不同的来源收集文档数据，然后确保数据描述方案（元数据）是集成的、一致的，并且适用于所有要使用的数据。在这一点上，有一种做法尽管不是必需的但却是非常好的，那就是通过创建分布状态并运行简单的统计测试来探索数据。有一点至关重要，那就是数据必须是整洁的，并且不存在类型不匹配的情况，否则算法可能无法提取重要的信息，或者，如果提取到重要的信息，可能会生成错误的结果。你可能会采取其他准备措施，例如，你可能想要构造派生特性，这种特性也称为计算特性或计算列。若要验证数据挖掘算法结果的准确性，通常需要将源数据划分为定性数据和测试数据。应该按如下比例对源数据进行拆分：三分之二用于定型目的，剩下的三分之一用于测试和对结果进行验证。
　　了解数据还涉及了解文档数据的特性。例如，如果你查看客户的数据，那么姓名、性别、年龄、收入和子女等都是客户可能具有的特性。其中一部分特性对于你将要创建的数据挖掘模型最具代表性意义，需要对这部分特性的值有很好的了解。例如，通常情况下，客户的性别具有三个可能的值，分别是男、女或者未知。对于性别特性只存在这三个可能的值，但是如果你查看客户的收入情况就完全不一样了，因为收入的变化范围非常大，肯呢过是零到几百万美元不等。需要对这些特性进行相应的建模，以便所选的数据挖掘算法可以获得最佳的结果。通常情况下，应该将性别特性建模为不连续的特性，意思是具有固定数量的值；而收入特性通常应该建模为连续的特性，因为收入值的变化范围非常大。