數(shù)據(jù)挖掘基礎(chǔ)知識(shí)
數(shù)據(jù)挖掘基礎(chǔ)知識(shí)
數(shù)據(jù)挖掘一般是指從大量的數(shù)據(jù)中通過算法搜索隱藏于其中信息的過程。那么你對(duì)數(shù)據(jù)挖掘了解多少呢?以下是由學(xué)習(xí)啦小編整理關(guān)于數(shù)據(jù)挖掘基礎(chǔ)知識(shí)的內(nèi)容,希望大家喜歡!
一、數(shù)據(jù)挖掘技術(shù)的基本概念
隨著計(jì)算機(jī)技術(shù)的發(fā)展,各行各業(yè)都開始采用計(jì)算機(jī)及相應(yīng)的信息技術(shù)進(jìn)行管理和運(yùn)營,這使得企業(yè)生成、收集、存貯和處理數(shù)據(jù)的能力大大提高,數(shù)據(jù)量與日俱增。企業(yè)數(shù)據(jù)實(shí)際上是企業(yè)的經(jīng)驗(yàn)積累,當(dāng)其積累到一定程度時(shí),必然會(huì)反映出規(guī)律性的東西;對(duì)企業(yè)來,堆積如山的數(shù)據(jù)無異于一個(gè)巨大的寶庫。在這樣的背景下,人們迫切需要新一代的計(jì)算技術(shù)和工具來開采數(shù)據(jù)庫中蘊(yùn)藏的寶藏,使其成為有用的知識(shí),指導(dǎo)企業(yè)的技術(shù)決策和經(jīng)營決策,使企業(yè)在競爭中立于不敗之地。另一方面,近十余年來,計(jì)算機(jī)和信息技術(shù)也有了長足的進(jìn)展,產(chǎn)生了許多新概念和新技術(shù),如更高性能的計(jì)算機(jī)和操作系統(tǒng)、因特網(wǎng)(intemet)、數(shù)據(jù)倉庫(datawarehouse)、神經(jīng)網(wǎng)絡(luò)等等。在市場需求和技術(shù)基礎(chǔ)這兩個(gè)因素都具備的環(huán)境下,數(shù)據(jù)挖掘技術(shù)或稱KDD(KnowledgeDiscovery in Databases;數(shù)據(jù)庫知識(shí)發(fā)現(xiàn))的概念和技術(shù)就應(yīng)運(yùn)而生了。
數(shù)據(jù)挖掘(Data Mining)旨在從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中, 提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)。還有很多和這一術(shù)語相近似的術(shù)語,如從數(shù)據(jù)庫中發(fā)現(xiàn)知識(shí)(KDD)、數(shù)據(jù)分析、數(shù)據(jù)融合(Data Fusion)以及決策支持等。
二 、數(shù)據(jù)挖掘的基本任務(wù)
數(shù)據(jù)挖掘的任務(wù)主要是關(guān)聯(lián)分析、聚類分析、分類、預(yù)測、時(shí)序模式和偏差分析等。
1、 關(guān)聯(lián)分析(association analysis)
關(guān)聯(lián)規(guī)則挖掘由Rakesh Apwal等人首先提出。兩個(gè)或兩個(gè)以上變量的取值之間存在的規(guī)律性稱為關(guān)聯(lián)。數(shù)據(jù)關(guān)聯(lián)是數(shù)據(jù)庫中存在的一類重要的、可被發(fā)現(xiàn)的知識(shí)。關(guān)聯(lián)分為簡單關(guān)聯(lián)、時(shí)序關(guān)聯(lián)和因果關(guān)聯(lián)。關(guān)聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的關(guān)聯(lián)網(wǎng)。一般用支持度和可信度兩個(gè)閥值來度量關(guān)聯(lián)規(guī)則的相關(guān)性,還不斷引入興趣度、相關(guān)性等參數(shù),使得所挖掘的規(guī)則更符合需求。
2、 聚類分析(clustering)
聚類是把數(shù)據(jù)按照相似性歸納成若干類別,同一類中的數(shù)據(jù)彼此相似,不同類中的數(shù)據(jù)相異。聚 類分析可以建立宏觀的概念,發(fā)現(xiàn)數(shù)據(jù)的分布模式,以及可能的數(shù)據(jù)屬性之間的相互關(guān)系。
3、 分類(classification)
分類就是找出一個(gè)類別的概念描述,它代表了這類數(shù)據(jù)的整體信息,即該類的內(nèi)涵描述,并用這 種描述來構(gòu)造模型,一般用規(guī)則或決策樹模式表示。分類是利用訓(xùn)練數(shù)據(jù)集通過一定的算法而求得分類規(guī)則。分類可被用于規(guī)則描述和預(yù)測。
4、 預(yù)測(predication)
預(yù)測是利用歷史數(shù)據(jù)找出變化規(guī)律,建立模型,并由此模型對(duì)未來數(shù)據(jù)的種類及特征進(jìn)行預(yù)測。 預(yù)測關(guān)心的是精度和不確定性,通常用預(yù)測方差來度量。
5、 時(shí)序模式(time-series pattern)
時(shí)序模式是指通過時(shí)間序列搜索出的重復(fù)發(fā)生概率較高的模式。與回歸一樣,它也是用己知的數(shù)據(jù)預(yù)測未來的值,但這些數(shù)據(jù)的區(qū)別是變量所處時(shí)間的不同。
6、 偏差分析(deviation)
在偏差中包括很多有用的知識(shí),數(shù)據(jù)庫中的數(shù)據(jù)存在很多異常情況,發(fā)現(xiàn)數(shù)據(jù)庫中數(shù)據(jù)存在的異常情況是非常重要的。偏差檢驗(yàn)的基本方法就是尋找觀察結(jié)果與參照之間的差別。
三、數(shù)據(jù)挖掘常的基本技術(shù)
1、 統(tǒng)計(jì)學(xué)
統(tǒng)計(jì)學(xué)雖然是一門“古老的”學(xué)科,但它依然是最基本的數(shù)據(jù)挖掘技術(shù),特別是多元統(tǒng)計(jì)分析,如判別分析、主成分分析、因子分析、相關(guān)分析、多元回歸分析等。
2、 聚類分析和模式識(shí)別
聚類分析主要是根據(jù)事物的特征對(duì)其進(jìn)行聚類或分類,即所謂物以類聚,以期從中發(fā)現(xiàn)規(guī)律和典型模式。這類技術(shù)是數(shù)據(jù)挖掘的最重要的技術(shù)之一。除傳統(tǒng)的基于多元統(tǒng)計(jì)分析的聚類方法外,近些年來模糊聚類和神經(jīng)網(wǎng)絡(luò)聚類方法也有了長足的發(fā)展。
3、 決策樹分類技術(shù)
決策樹分類是根據(jù)不同的重要特征,以樹型結(jié)構(gòu)表示分類或決策集合,從而產(chǎn)生規(guī)則和發(fā)現(xiàn)規(guī)律。