数据挖掘是从数据中发现有价值信息的重要方法，特别在海量数据环境的背景下数据挖掘更是备受关注。传统的数据挖掘经历数据预处理、特征构建、模型训练、结果评估的过程，但该过程存在不便性，特别是处理大数据场景下的问题时，不便性尤为突出。体现在以下几个方面:　　1、传统的数据挖掘过程中，用户需要根据业务知识对数据进行预处理，但现实世界的数据是肮脏的、复杂的、海量的，初始的处理逻辑可能无法涵盖对所有数据的处理，在出现无法处理的异常数据时，用户需要不断试错来定位异常数据，并进行逻辑修复。该过程在应对大数据时，是十分低效的。　　2、传统的数据挖掘过程中，在用户设定模型算法参数后，模型训练自动运行，模型以黑盒的方式构建，用户不可见其中间结果，也无法影响模型的训练过程。在大数据场景下，模型训练相较于小数据量环境成本高（时间资源、计算资源），用户调参的效率低下。对于普通用户而非数据挖掘专家，参数和模型的关系并不直观，调参的过程将更漫长且不易理解。　　3、传统的数据挖掘过程中，模型产生的结果无法交互，用户无法获知模型输出和原始输入的关系，模型结果不易被理解。　　为了解决传统数据挖掘过程存在的问题，本文提出了一种大数据环境下的交互式数据挖掘框架。该框架使交互贯穿整个数据挖掘的过程，使得用户可以在数据处理阶段轻松定位异常输入源数据;透明化观察模型的生成过程，即时调整模型的参数;对模型生成的结果进行追溯，获取结果和输入的对应关系。本文的主要贡献有:　　1、提出了一种大数据交互式挖掘框架，该框架可以在分布式环境下完成对异常数据的定位、中间结果的获取、结果数据的溯源，从而使大数据场景下的数据挖掘过程变得更加便捷。　　2、基于Spark对该框架进行了实现，使用户可以通过浏览器使用该系统，以交互式方式进行数据挖掘。　　3、以食源性疾病的爆发预测为案例，完整地进行了从数据处理、特征构建、模型训练到结果展示的过程，验证了系统的可用性。