7(2)-數(shù)據(jù)挖掘與決策支持-免費閱讀
【正文】 例如，將牛奶和面包盡可能放近一些，可以進一步刺激一次去商店同時購買這些商品。 BP神經網(wǎng)絡存在的問題n 收斂速度問題 BP分類器最大的弱點是其訓練速度非常緩慢，難以收斂。神經網(wǎng)絡的拓撲結構 神經網(wǎng)絡訓練之前，需要設計網(wǎng)絡拓撲結構。 （ 2） OLTP應用主要是用來完成客戶的事務處理，其數(shù)據(jù)基礎是操作型數(shù)據(jù)庫，如民航訂票系統(tǒng)、銀行儲蓄系統(tǒng)等等，通常需要進行大量的更新操作，同時對響應時間要求較高 。 數(shù)據(jù)倉庫的組成n 一個數(shù)據(jù)倉庫的大小一般都是在 100GB以上n 通常，數(shù)據(jù)倉庫系統(tǒng)應該包含下列程序： （ 1）抽取數(shù)據(jù)與加載數(shù)據(jù) （ 2）整理并轉換數(shù)據(jù)（采用一種數(shù)據(jù)倉庫適用的數(shù)據(jù)格式） （ 3）備份與備存數(shù)據(jù) （ 4）管理所有查詢（即將查詢導向適當?shù)臄?shù)據(jù)源 ）數(shù)據(jù)倉庫的組成OLAP的定義、特點n 60年代，關系數(shù)據(jù)庫之父 ，促進了聯(lián)機事務處理 (OLTP)的發(fā)展 (數(shù)據(jù)以表格的形式而非文件方式存儲 )。 簡言之，數(shù)據(jù)挖掘其實是一類深層次的數(shù)據(jù)分析方法。 隨后，在 1991年、 1993年和 1994年都舉行 KDD專題討論會，匯集來自各個領域的研究人員和應用開發(fā)者，集中討論數(shù)據(jù)統(tǒng)計、海量數(shù)據(jù)分析算法、知識表示、知識運用等問題。數(shù)據(jù)挖掘與智能決策技術簡介背景 二十世紀末以來，全球信息量以驚人的速度急劇增長 — 據(jù)估計，每二十個月將增加一倍。最初，數(shù)據(jù)挖掘是作為 KDD中利用算法處理數(shù)據(jù)的一個步驟，其后逐漸演變成 KDD的同義詞。因此，數(shù)據(jù)挖掘可以描述為 :按企業(yè)既定業(yè)務目標，對大量的企業(yè)數(shù)據(jù)進行探索和分析，揭示隱藏的、未知的或驗證己知的規(guī)律性，并進一步將其模型化的有效方法。n 1993年， OLAP概念，認為 OLTP已不能滿足終端客戶對數(shù)據(jù)庫查詢分析的需要， SQL對大型數(shù)據(jù)庫的簡單查詢也不能滿足終端客戶分析的要求。而 OLAP是以數(shù)據(jù)倉庫或數(shù)據(jù)多維視圖為基礎的數(shù)據(jù)分析處理，是針對特定問題的聯(lián)機數(shù)據(jù)訪問和分析，它一般不對倉庫數(shù)據(jù)作修改處理，而只是查詢，其應用主要是對客戶當前及歷史數(shù)據(jù)進行分析，輔助領導決策，其典型的應用有對銀行信用卡風險的分析與預測、公司市場營銷策略的制定等，主要是進行大量的查詢操作，對時間的要求不太嚴格。設計網(wǎng)絡拓撲的關鍵是，確定隱層的神經元個數(shù)及各神經元初始權值和閾值（偏差）。尤其是當網(wǎng)絡的訓練達到一定程度后，收斂更為緩慢。關聯(lián)規(guī)則挖掘實例購物籃關聯(lián)分析實例圖 基本概念Customerbuys diaperCustomerbuys bothCustomerbuys beer“啤酒與尿布 ”的關聯(lián)規(guī)則 For rule A ? Csupport = support({A ? C}) = 50%confidence = support({A ? C})/support({A}) = %For C ? A (50%, 100%)The Apriori principle:Any subset of a frequent itemset must be frequentMin. support 50%Min. confidence 50%關聯(lián)挖掘實例 數(shù)據(jù)挖掘的可視化 以可視化的方式展示數(shù)據(jù)挖掘獲取的相關知識。例如，在同一次購物中，如果顧客購買牛奶的同時，也購買面包（和什么類型的面包）的可能性有多大？ 這種信息可以引導銷售，可以幫助零售商有選擇地經銷和安排貨架。 因此，具有分類準
環(huán)評公示相關推薦
鄂ICP備17016276號-1