数据挖掘(Data Mining)是从⼤量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在 其中的、⼈们事先不知道的、但⼜是潜在有⽤的信息和知识的过程。
数据挖掘对象
根据信息存储格式，⽤于挖掘的对象有关系数据库、⾯向对象数据库、数据仓库、⽂本数据 源、多媒体数据库、空间数据库、时态数据库、异质数据库以及Internet等。
数据挖掘流程
定义问题：清晰地定义出业务问题，确定数据挖掘的⽬的。
数据准备：数据准备包括：选择数据–在⼤型数据库和数据仓库⽬标中提取数据挖掘的⽬标数据集；数据
预处理–进⾏数据再加⼯，包括检查数据的完整性及数据的⼀致性、去噪声，填补丢失的域，删除⽆效数据等。
数据挖掘：根据数据功能的类型和和数据的特点选择相应的算法，在净化和转换过的数据集上
进⾏数据挖掘。
结果分析：对数据挖掘的结果进⾏解释和评价，转换成为能够最终被⽤户理解的知识。
蓝田股份公司
数据挖掘分类
直接数据挖掘：⽬标是利⽤可⽤的数据建⽴⼀个模型，这个模型对剩余的数据，对⼀个特定的
变量(可以理解成数据库中表的属性，即列)进⾏描述。
间接数据挖掘：⽬标中没有选出某⼀具体的变量，⽤模型进⾏描述;⽽是在所有的变量中建⽴起某种关系。
数据挖掘的⽅法
神经⽹络⽅法
神经⽹络由于本⾝良好的鲁棒性、⾃组织⾃适应性、并⾏处理、分布存储和⾼度容错等特性⾮
常适合解决数据挖掘的问题，因此近年来越来越受到⼈们的关注。
遗传算法
遗传算法是⼀种基于⽣物⾃然选择与遗传机理的随机搜索算法，是⼀种仿⽣全局优化⽅法。遗
平顶山热线传算法具有的隐含并⾏性、易于和其它模型结合等性质使得它在数据挖掘中被加以应⽤。
决策树⽅法
决策树是⼀种常⽤于预测模型的算法，它通过将⼤量数据有⽬的分类，从中到⼀些有价值
的，潜在的信息。它的主要优点是描述简单，分类速度快，特别适合⼤规模的数据处理。
粗集⽅法
粗集理论是⼀种研究不精确、不确定知识的数学⼯具。粗集⽅法有⼏个优点：不需要给出额外信息；简化输⼊信息的表达空间；算法简单，易于操作。粗集处理的对象是类似⼆维关系表的信息表。
旭日150
覆盖正例排斥反例⽅法
它是利⽤覆盖所有正例、排斥所有反例的思想来寻规则。⾸先在正例集合中任选⼀个种⼦，到反例集合中逐个⽐较。与字段取值构成的选择⼦相容则舍去，相反则保留。按此思想循环所有正例种⼦，将得到正例的规则(选择⼦的合取式)。法拉第电解定律
统计分析⽅法
在数据库字段项之间存在两种关系：函数关系和相关关系，对它们的分析可采⽤统计学⽅法，即利⽤统计学原理对数据库中的信息进⾏分析。可进⾏常⽤统计、回归分析、相关分析、差异分析等。
模糊集⽅法
即利⽤模糊集合理论对实际问题进⾏模糊评判、模糊决策、模糊模式识别和模糊聚类分析。系统的复杂性越⾼，模糊性越强，⼀般模糊集合理论是⽤⾪属度来刻画模糊事物的亦此亦彼性的。
数据挖掘任务
两个或两个以上变量的取值之间存在某种规律性，就称为关联。数据关联是数据库中存在的⼀类重要
的、可被发现的知识。关联分为简单关联、时序关联和因果关联。关联分析的⽬的是出数据库中隐藏的关联⽹。⼀般⽤⽀持度和可信度两个阀值来度量关联规则的相关性，还不断引⼊兴趣度、相关性等参数，使得所挖掘的规则更符合需求。
聚类分析
聚类是把数据按照相似性归纳成若⼲类别，同⼀类中的数据彼此相似，不同类中的数据相异。聚类分析可以建⽴宏观的概念，发现数据的分布模式，以及可能的数据属性之间的相互关系。
分类
大同大学学报分类就是出⼀个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，并⽤这种描述来构造模型，⼀般⽤规则或决策树模式表⽰。分类是利⽤训练数据集通过⼀定的算法⽽求得分类规则。分类可被⽤于规则描述和预测。
预测
预测是利⽤历史数据出变化规律，建⽴模型，并由此模型对未来数据的种类及特征进⾏预测。预测关⼼的是精度和不确定性，通常⽤预测⽅差来度量。
时序模式
时序模式是指通过时间序列搜索出的重复发⽣概率较⾼的模式。与回归⼀样，它也是⽤⼰知的数据预测未来的值，但这些数据的区别是变量所处时间的不同。
偏差分析
在偏差中包括很多有⽤的知识，数据库中的数据存在很多异常情况，发现数据库中数据存在的异常情况是⾮常重要的。偏差检验的基本⽅法就是寻观察结果与参照之间的差别。
来源：多智时代
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议