數(shù)據(jù)挖掘技術(shù)與用戶知識(shí)獲取

【英文摘要】This  paper  discusses  the  commonly-used  technologies  in  data  mining，and  explores&n……

【  正  文】

　　　　　　1　數(shù)據(jù)挖掘技術(shù)概述

　　隨著信息技術(shù)的迅速發(fā)展，數(shù)據(jù)庫(kù)的規(guī)模不斷擴(kuò)大，從而產(chǎn)生了大量的數(shù)據(jù)。為給決策者提供一個(gè)統(tǒng)一的全局視角，在許多領(lǐng)域建立了數(shù)據(jù)倉(cāng)庫(kù)。但大量的數(shù)據(jù)往往使人們無(wú)法辨別隱藏在其中的能對(duì)決策提供支持的信息，而傳統(tǒng)的查詢、報(bào)表工具無(wú)法滿足挖掘這些信息的需求。因此，需要一種新的數(shù)據(jù)分析技術(shù)處理大量數(shù)據(jù)，并從中抽取有價(jià)值的潛在知識(shí)，數(shù)據(jù)挖掘（Data  Mining）技術(shù)由此應(yīng)運(yùn)而生。數(shù)據(jù)挖掘技術(shù)也正是伴隨著數(shù)據(jù)倉(cāng)庫(kù)技術(shù)的發(fā)展而逐步完善起來(lái)的。

　　數(shù)據(jù)挖掘是指從數(shù)據(jù)集合中自動(dòng)抽取隱藏在數(shù)據(jù)中的那些有用信息的非平凡過(guò)程，這些信息的表現(xiàn)形式為：規(guī)則、概念、規(guī)律及模式等。它可幫助決策者分析歷史數(shù)據(jù)及當(dāng)前數(shù)據(jù)，并從中發(fā)現(xiàn)隱藏的關(guān)系和模式，進(jìn)而預(yù)測(cè)未來(lái)可能發(fā)生的行為。數(shù)據(jù)挖掘的過(guò)程也叫知識(shí)發(fā)現(xiàn)的過(guò)程，它是一門涉及面很廣的交叉性新興學(xué)科，涉及到數(shù)據(jù)庫(kù)、人工智能、數(shù)理統(tǒng)計(jì)、可視化、并行計(jì)算等領(lǐng)域。數(shù)據(jù)挖掘是一種新的信息處理技術(shù)，其主要特點(diǎn)是對(duì)數(shù)據(jù)庫(kù)中的大量數(shù)據(jù)進(jìn)行抽取、轉(zhuǎn)換、分析和其他模型化處理，并從中提取輔助決策的關(guān)鍵性數(shù)據(jù)。數(shù)據(jù)挖掘是KDD（Knowledge  Discovery  in  Database）中的重要技術(shù)，它并不是用規(guī)范的數(shù)據(jù)庫(kù)查詢語(yǔ)言（如SQL）進(jìn)行查詢，而是對(duì)查詢的內(nèi)容進(jìn)行模式的總結(jié)和內(nèi)在規(guī)律的搜索。傳統(tǒng)的查詢和報(bào)表處理只是得到事件發(fā)生的結(jié)果，并沒(méi)有深入研究發(fā)生的原因，而數(shù)據(jù)挖掘則主要了解發(fā)生的原因，并且以一定的置信度對(duì)未來(lái)進(jìn)行預(yù)測(cè)，用來(lái)為決策行為提供有利的支持。

　　　　　　2　數(shù)據(jù)挖掘的常用技術(shù)

　　機(jī)器學(xué)習(xí)、數(shù)理統(tǒng)計(jì)等方法是數(shù)據(jù)挖掘進(jìn)行知識(shí)學(xué)習(xí)的重要方法。數(shù)據(jù)挖掘算法的好壞將直接影響到所發(fā)現(xiàn)知識(shí)的好壞，目前對(duì)數(shù)據(jù)挖掘的研究也主要集中在算法及其應(yīng)用方面。統(tǒng)計(jì)方法應(yīng)用于數(shù)據(jù)挖掘主要是進(jìn)行數(shù)據(jù)評(píng)估；機(jī)器學(xué)習(xí)是人工智能的另一個(gè)分支，也稱為歸納推理，它通過(guò)學(xué)習(xí)訓(xùn)練數(shù)據(jù)集，發(fā)現(xiàn)模型的參數(shù)，并找出數(shù)據(jù)中隱含的規(guī)則。其中關(guān)聯(lián)分析法、人工神經(jīng)元網(wǎng)絡(luò)、決策樹(shù)和遺傳算法在數(shù)據(jù)挖掘中的應(yīng)用很廣泛。

　　1）關(guān)聯(lián)分析法。從關(guān)系數(shù)據(jù)庫(kù)中提取關(guān)聯(lián)規(guī)則是幾種主要的數(shù)據(jù)挖掘方法之一。挖掘關(guān)聯(lián)是通過(guò)搜索系統(tǒng)中的所有事物，并從中找到出現(xiàn)條件概率較高的模式。關(guān)聯(lián)實(shí)際上就是數(shù)據(jù)對(duì)象之間相關(guān)性的確定，用關(guān)聯(lián)找出所有能將一組數(shù)據(jù)項(xiàng)和另一組數(shù)據(jù)項(xiàng)相聯(lián)系的規(guī)則，這種規(guī)則的建立并不是確定的關(guān)系，而是一個(gè)具有一定置信度的可能值，即事件發(fā)生的概率。關(guān)聯(lián)分析法直觀、易理解，但對(duì)于關(guān)聯(lián)度不高或相關(guān)性復(fù)雜的情況不太有效。

　　2）人工神經(jīng)元網(wǎng)絡(luò)（ANN），是數(shù)據(jù)挖掘中應(yīng)用最廣泛的技術(shù)。神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法是通過(guò)模仿人的神經(jīng)系統(tǒng)來(lái)反復(fù)訓(xùn)練學(xué)習(xí)數(shù)據(jù)集，從待分析的數(shù)據(jù)集中發(fā)現(xiàn)用于預(yù)測(cè)和分類的模式。神經(jīng)元網(wǎng)絡(luò)對(duì)于復(fù)雜情況仍能得到精確的預(yù)測(cè)結(jié)果，而且可以處理類別和連續(xù)變量，但神經(jīng)元網(wǎng)絡(luò)不適合處理高維變量，其最大的缺點(diǎn)是不透明性，因?yàn)槠錈o(wú)法解釋結(jié)果是如何產(chǎn)生的，及其在推理過(guò)程中所用的規(guī)則。神經(jīng)元網(wǎng)絡(luò)適合于結(jié)果比可理解性更重要的分類和預(yù)測(cè)的復(fù)雜情況，可用于聚類、分類和序列模式。

　　3）決策樹(shù)（DT）是一種樹(shù)型結(jié)構(gòu)的預(yù)測(cè)模型，其中樹(shù)的非終端節(jié)點(diǎn)表示屬性

[1] [2] [3] 

【數(shù)據(jù)挖掘技術(shù)與用戶知識(shí)獲取】相關(guān)文章：

數(shù)據(jù)挖掘中抽樣技術(shù)的應(yīng)用04-29

數(shù)據(jù)挖掘04-29

數(shù)據(jù)挖掘論文04-29

淺談數(shù)據(jù)挖掘05-02

基于數(shù)據(jù)挖掘技術(shù)的交通事故分析04-26

網(wǎng)絡(luò)營(yíng)銷中數(shù)據(jù)挖掘技術(shù)的應(yīng)用論文11-27

數(shù)據(jù)挖掘中的決策樹(shù)技術(shù)及其應(yīng)用04-26

數(shù)據(jù)挖掘技術(shù)在遼河水文預(yù)報(bào)中的研究04-30

數(shù)據(jù)挖掘技術(shù)在遼河水文預(yù)報(bào)中的研究04-30

在動(dòng)手中獲取知識(shí)04-30