【正文】 m in the doctrine of chances＂ (1763年 ), 給出了著名的貝葉斯公式和一種歸納推理方法。 數(shù)據(jù)挖掘 技術(shù)簡介 4．神經(jīng)網(wǎng)絡 神經(jīng)網(wǎng)絡是一種很好的函數(shù)逼近工具，在過去十幾年里取得了飛速的發(fā)展，發(fā)展出了很多的模型及其改進，例如 BP、Hopfield、 Kohonen、 ART、 RNN、 KBANN、 RBF等等。 數(shù)據(jù)挖掘 技術(shù)簡介 數(shù)據(jù)挖掘 技術(shù)簡介 聚類和數(shù)據(jù)挖掘中的分類不同，聚類是在預先不知道目標數(shù)據(jù)庫到底有多少類的情況下，希望將所有的記錄組成不同的類或者說聚類，并且使得在這種分類情況下，以某種度量為標準的相似性，在同一聚類之間最小化，而在不同聚類之間最大化。在許多應用，一個聚類中所有對象常常被當作一個對象來進行處理或分析等操作。例如：從大量的商業(yè)交易記錄中發(fā)現(xiàn)有價值的關(guān)聯(lián)知識就可幫助進行商品目錄的設計、交叉營銷或幫助進行其它有關(guān)的商業(yè)決策。顯然在挖掘規(guī)則過程中，需要處理大量的數(shù)據(jù)庫記錄，并且可能對數(shù)據(jù)庫記錄進行多次掃描，所以如何提高算法的效率是非常重要的。 (2)事務 一個事務Ｔ (Transaction)是數(shù)據(jù)項集Ｉ中的一組項目的集合 ,即 T?I。其表達式為Support(X→Y)=P(X∩Y) 。這兩個閾值均在 0%到 100%之間，而不是 0到 1之間。 此外還可利用有趣性度量標準來幫助挖掘有價值的關(guān)聯(lián)規(guī)則知識。 關(guān)聯(lián)規(guī)則挖掘 算法 ：（ Apriori）利用層次循環(huán)發(fā)現(xiàn)頻繁項集。下面介紹三種改進方法。對于每一層可以是用發(fā)現(xiàn)頻繁項集的任何算法，如前面介紹的 Apriori算法及其任意變形。同一個顧客在一個交易時間只能進行一次交易，我們不考慮顧客在一次交易中所購買物品的數(shù)量，每種物品都由一個二進制變量代替，只關(guān)心一個項目在交易中被購買與否。但是序列 (3) (5) 不包含于 (3,5) ，反之亦然。這樣，這個客戶的客戶序列就成了這樣的一個序列： 〈 itemset(T1) itemset(T2) … itemset(Tn)〉 。有兩個序列 x和 y， x， y表示 x和 y經(jīng)過連接運算形成的新的序列。 序列模式挖掘 序列階段算法的基本結(jié)構(gòu)是對數(shù)據(jù)進行多次遍歷。然而，盡管 Web上有海量的數(shù)據(jù)，但由于 Web頁面過于復雜、而且是無結(jié)構(gòu)的、動態(tài)的，導致人們難以迅速、方便地在 Web上找到所需要的數(shù)據(jù)和信息。 Web頁面缺乏統(tǒng)一的結(jié)構(gòu)，它包含了遠比任何一組書籍或文本文檔多得多的風格和內(nèi)容。因此 web挖掘應能根據(jù)不同的用戶提供個性化的服務。 1．電子商務網(wǎng)站的數(shù)據(jù)挖掘 2．生物信息和 DNA數(shù)據(jù)分析的數(shù)據(jù)挖掘 3．文本數(shù)據(jù)挖掘 數(shù)據(jù)挖掘的研究熱點與發(fā)展趨勢 研究焦點可能會集中到以下幾個方面。這大量的非結(jié)構(gòu)化數(shù)據(jù)是無法使用現(xiàn)有數(shù)據(jù)庫管理系統(tǒng)來處理和管理的 , 這就對 Web 進行有效的信息抽取和知識發(fā)現(xiàn)帶來了極大的挑戰(zhàn) , 也使得 Web 數(shù)據(jù)挖掘更加復雜。鏈接信息和訪問記錄也在頻繁地更新之中。 與傳統(tǒng)數(shù)據(jù)挖掘技術(shù)所面對的數(shù)據(jù)相比， Web挖掘的數(shù)據(jù)源具有以下特點： WEB挖掘 （ 1）對有效的數(shù)據(jù)倉庫和數(shù)據(jù)挖掘而言， Web似乎太龐大了。 這里給出兩種算法，分別稱為 countall和 countsome。需要注意的是，大序列中的每一個項集都必須具有最小支持。 給定一個由客戶交易組成的數(shù)據(jù)庫 D，挖掘序列模式的問題就是在那些具有客戶指定最小支持度 (minimum support)的序列中找出最大序列 (maximal sequence)。事務按交易時間序排列就成了一個序列。不失一般性我們假定項集中的項由一些連續(xù)整數(shù)代替，這樣一個項集 i可以表示為 (i1,i2…im)，而這里的 ij代表了一個項。序列模式挖掘與關(guān)聯(lián)規(guī)則挖掘相似 , 其目的也是為了挖掘數(shù)據(jù)之間的關(guān)系。所以數(shù)據(jù)挖掘應該提供一種在多個層次上進行挖掘的功能。 // 根據(jù)頻繁 (k1)項集產(chǎn)生候選 k項集 (4) for each t ? D { //掃描數(shù)據(jù)庫，以確定每個候選項集的支持頻度 (5) Ct = subset( Ck, t )。該算法利用了一個層次順序搜索的循環(huán)方法來完成頻繁項集的挖掘工作。前者即用戶規(guī)定的關(guān)聯(lián)規(guī)則必須滿足的最小支持度，它表示了一個項集在統(tǒng)計意義上的需滿足的最低程度 。 關(guān)聯(lián)規(guī)則挖掘 滿足最小支持閾值的項集就稱為頻繁項集 (或稱大項集 )。設Ｘ是Ｉ中的一個子集 ,稱一個事務Ｔ包含Ｘ ,當且僅當Ｘ ?Ｔ。 關(guān)聯(lián)規(guī)則挖掘 下面介紹關(guān)聯(lián)規(guī)則挖掘過程中所涉及到的有關(guān)概念和術(shù)語。例如，在分析超市銷售事務數(shù)據(jù)庫過程中，若單單從數(shù)據(jù)庫的原始字段，如面包、牛奶等等進行規(guī)則挖掘，可能很難發(fā)現(xiàn)令人感興趣的規(guī)則。通常聚類分析算法可以劃分為以下幾大類： （ 1）劃分方法 （ 2）層次方法 （ 3）基于密度方法 （ 4）基于網(wǎng)格方法 （ 5）基于模型方法 關(guān)聯(lián)規(guī)則挖掘 關(guān)聯(lián)規(guī)則的概念是由Ｒ .Ａ grawal、 Imieelinski和Swami提出來的。許多領域，包括數(shù)據(jù)挖掘、統(tǒng)計學和機器學習都有聚類研究和應用。粗糙集理論的研究對象是由一個多值屬性（特征、癥狀、特性等）級和描述的一個對象集合，對于每個對象及其屬性都有一個值作為其描述符號，對象、屬性和描述符號是表達決策問題的 3個基本要素。vebayes方法和 bayes網(wǎng)絡。 一個正例集合在反例集合背景下的星是覆蓋所有正例而排斥所有反例的極大復合的集合。剪枝就是剪去那些不會增大樹的錯誤預測率的分枝。 分類的效果一般和數(shù)據(jù)的特點有關(guān)，有的數(shù)據(jù)噪聲大，有的有缺省值，有的分布稀疏，有的字段或?qū)傩蚤g相關(guān)性強，有的屬性是離散的而有的是連續(xù)值或混合式的。目前，在 IJCAI 、 AAAI 、 VLDB 、 ACMSIGMOD 等代表人工智能與數(shù)據(jù)庫技術(shù)研究最高水平的國際學術(shù)會議上，數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的研究都占有較大的比例，數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的研究已經(jīng)成為當今計算機科學與技術(shù)研究、應用的熱點領域之一。因此， KDD大會程序委員會曾經(jīng)由這三個學科的權(quán)威人物同時來任主席。 數(shù)據(jù)挖掘概述 4. 數(shù)據(jù)挖掘與機器學習和統(tǒng)計分析方法 數(shù)據(jù)挖掘利用了人工智能（ AI）和統(tǒng)計分析的進步所帶來的好處。但如果數(shù)據(jù)倉庫的計算資源已經(jīng)很緊張，那最好還是建立一個單獨的數(shù)據(jù)挖掘庫 圖 數(shù)據(jù)挖掘苦聰數(shù)據(jù)倉庫中得出 數(shù)據(jù)挖掘概述 3. 數(shù)據(jù)挖掘和在線分析處理（ OLAP） 數(shù)據(jù)挖掘和 OLAP是完全不同的工具，基于的技術(shù)也大相徑庭。結(jié)合最新的研究成果，有下面一些重要的理論框架可以幫助我們準確地理解數(shù)據(jù)挖掘的概念與技術(shù)特點。也有人說， KDD在人工智能界更流行； Data Mining在數(shù)據(jù)庫界使用更多。 (2) 數(shù)據(jù)挖掘是 KDD過程的一個步驟 在“知識發(fā)現(xiàn) 96國際會議” 上，許多學者建議對這兩個名詞加以區(qū)分。