數(shù)據(jù)分析與挖掘習(xí)題(存儲版)
【正文】 多區(qū)分特性。用戶和系統(tǒng)的面向性：OLTP 是面向顧客的，用于辦事員、客戶、和信息技術(shù)專業(yè)人員的事務(wù)和查詢處理。視圖：OLTP 系統(tǒng)主要關(guān)注一個企業(yè)或部門內(nèi)部的當(dāng)前數(shù)據(jù)，而不涉及歷史數(shù)據(jù)或不同組織的數(shù)據(jù)。它需要一種不同于本章列舉的數(shù)據(jù)挖掘技術(shù)嗎？信息評價，用來反映信息的及時性，有效性，信息量關(guān)于一類的大量信息的綜合指標(biāo)，可以運用數(shù)據(jù)挖掘中的分類算法來實現(xiàn)最初的信息分類，在分好的類別中運用信息熵的計算方法來計算，信源熵:H(x)=E[I(xi)]=E[log2 1/p(xi)]=ξp(xi)log2 p(xi)(i=1,2,..n)信息量= （p1*log p1 + p2 * log p2 +?。。玴32 *log p32)， 其中，p1，p2 ，?。琾32 分別是這 32 個球隊奪冠的概率。假設(shè)最小支持度為60%，最小可信度為80%。然而，對OLAP 系統(tǒng)的訪問大部分是只讀操作（由于大部分數(shù)據(jù)倉庫存放歷史數(shù)據(jù)，而不是當(dāng)前數(shù)據(jù)），盡管許多可能是復(fù)雜的查詢。數(shù)據(jù)庫設(shè)計：通常，OLTP 系統(tǒng)采用實體聯(lián)系（ER）模型和面向應(yīng)用的數(shù)據(jù)庫設(shè)計。盡管OLAP 工具支持多維分析和決策，對于深層次的分析，如數(shù)據(jù)分類、聚類和數(shù)據(jù)隨時間變化的特征，仍然需要其它分析工具。數(shù)據(jù)挖掘系統(tǒng)應(yīng)當(dāng)能夠比較兩組AllElectronics 顧客，如定期（每月多于2 次）購買計算機產(chǎn)品的顧客和偶爾（即，每年少于3 次）購買這種產(chǎn)品的顧客。數(shù)據(jù)點的三個聚類是顯而易見的。關(guān)聯(lián)分為簡單關(guān)聯(lián)、時序關(guān)聯(lián)和因果關(guān)聯(lián)。1994年10月在擁有“世界理工大學(xué)之最”稱號的麻省理工學(xué)院(MIT)計算機科學(xué)實驗室成立。簡單地說，多媒體數(shù)據(jù)庫是按一定方式組織在一起的可以共享的相關(guān)多媒體數(shù)據(jù)的集合，簡稱MDB(Multimedia Database)?？臻g數(shù)據(jù)庫引擎技術(shù)是目前系統(tǒng)集成中廣泛使用的中間件技術(shù)在空間數(shù)據(jù)庫應(yīng)用解決方案中的一種實現(xiàn),雖然付出了附加中間層的額外代價,但它較好地解決了GIS 應(yīng)用與空間數(shù)據(jù)庫集成中數(shù)據(jù)提供與訪問模式方面的制約瓶頸問題, 是第三代數(shù)據(jù)模型,它克服了拓撲關(guān)系數(shù)據(jù)模型的缺點,由于它是面向?qū)ο蟮?因此能夠方便地構(gòu)造用戶需要的任何復(fù)雜地理實體,而且這種模式符合人們看待客觀世界的思維習(xí)慣,便于用戶理解。把面向?qū)ο蟮姆椒ê蛿?shù)據(jù)庫技術(shù)結(jié)合起來可以使數(shù)據(jù)庫系統(tǒng)的分析、設(shè)計最大程度地與人們對客觀世界的認識相一致。由于有的企業(yè)每日的數(shù)據(jù)量很大，設(shè)計不好的數(shù)據(jù)倉庫經(jīng)常會出問題，延遲13日才能給出數(shù)據(jù)，顯然不行的。因此，數(shù)據(jù)倉庫中的數(shù)據(jù)是極少或根本不修改的。那么，數(shù)據(jù)倉庫與傳統(tǒng)數(shù)據(jù)庫比較，有哪些不同呢?:面向主題的、集成的、與時間相關(guān)且不可修改的數(shù)據(jù)集合。數(shù)據(jù)倉庫是分析系統(tǒng)的數(shù)據(jù)平臺，它從事務(wù)系統(tǒng)獲取數(shù)據(jù)，并做匯總、加工，為決策者提供決策的依據(jù)。 數(shù)據(jù)庫一般存儲在線交易數(shù)據(jù)，數(shù)據(jù)倉庫存儲的一般是歷史數(shù)據(jù)。GIGO的意思是垃圾進，垃圾出，它的引用到處可見。盡管有必要，把分析者和數(shù)據(jù)分離開很明顯導(dǎo)致了一些關(guān)聯(lián)任務(wù)。因此，對于很多統(tǒng)計學(xué)家來說，1000個數(shù)據(jù)就已經(jīng)是很大的了。特別地，需要數(shù)據(jù)庫系統(tǒng)提供有效的存儲、索引和查詢處理支持。一般將之定義為Data Mining技術(shù)的CART、CHAID或模糊計算等等理論方法，也都是由統(tǒng)計學(xué)者根據(jù)統(tǒng)計理論所發(fā)展衍生，換另一個角度看，Data Mining有相當(dāng)大的比重是由高等統(tǒng)計學(xué)中的多變量分析所支撐。數(shù)據(jù)分析與挖掘習(xí)題第一章 作業(yè)？在你的回答中，強調(diào)以下問題：(b) 它是一種從數(shù)據(jù)庫，統(tǒng)計學(xué)和機器學(xué)習(xí)發(fā)展的技術(shù)的簡單轉(zhuǎn)換嗎？硬要去區(qū)分Data Mining和Statistics的差異其實是沒有太大意義的。一些其他領(lǐng)域也起到重要的支撐作用。這種商務(wù)需要什么數(shù)據(jù)挖掘功能？他們能夠由數(shù)據(jù)查詢處理或簡單的統(tǒng)計分析來實現(xiàn)嗎？ 由于統(tǒng)計學(xué)基礎(chǔ)的建立在計算機的發(fā)明和發(fā)展之前，所以常用的統(tǒng)計學(xué)工具包含很多可以手工實現(xiàn)的方法。這也是數(shù)據(jù)挖掘特別注重準(zhǔn)則的另一原因。所有數(shù)據(jù)分析的
高考資料相關(guān)推薦
鄂ICP備17016276號-1