【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(jiǎn)介 4．神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)是一種很好的函數(shù)逼近工具，在過(guò)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(jìn)，例如 BP、Hopfield、 Kohonen、 ART、 RNN、 KBANN、 RBF等等。 數(shù)據(jù)挖掘 技術(shù)簡(jiǎn)介 數(shù)據(jù)挖掘 技術(shù)簡(jiǎn)介 聚類(lèi)和數(shù)據(jù)挖掘中的分類(lèi)不同，聚類(lèi)是在預(yù)先不知道目標(biāo)數(shù)據(jù)庫(kù)到底有多少類(lèi)的情況下，希望將所有的記錄組成不同的類(lèi)或者說(shuō)聚類(lèi)，并且使得在這種分類(lèi)情況下，以某種度量為標(biāo)準(zhǔn)的相似性，在同一聚類(lèi)之間最小化，而在不同聚類(lèi)之間最大化。在許多應(yīng)用，一個(gè)聚類(lèi)中所有對(duì)象常常被當(dāng)作一個(gè)對(duì)象來(lái)進(jìn)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(jià)值的關(guān)聯(lián)知識(shí)就可幫助進(jìn)行商品目錄的設(shè)計(jì)、交叉營(yíng)銷(xiāo)或幫助進(jìn)行其它有關(guān)的商業(yè)決策。顯然在挖掘規(guī)則過(guò)程中，需要處理大量的數(shù)據(jù)庫(kù)記錄，并且可能對(duì)數(shù)據(jù)庫(kù)記錄進(jìn)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(wù) 一個(gè)事務(wù)Ｔ (Transaction)是數(shù)據(jù)項(xiàng)集Ｉ中的一組項(xiàng)目的集合 ,即 T?I。其表達(dá)式為Support(X→Y)=P(X∩Y) 。這兩個(gè)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(biāo)準(zhǔn)來(lái)幫助挖掘有價(jià)值的關(guān)聯(lián)規(guī)則知識(shí)。 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(xiàng)集。下面介紹三種改進(jìn)方法。對(duì)于每一層可以是用發(fā)現(xiàn)頻繁項(xiàng)集的任何算法，如前面介紹的 Apriori算法及其任意變形。同一個(gè)顧客在一個(gè)交易時(shí)間只能進(jìn)行一次交易，我們不考慮顧客在一次交易中所購(gòu)買(mǎi)物品的數(shù)量，每種物品都由一個(gè)二進(jìn)制變量代替，只關(guān)心一個(gè)項(xiàng)目在交易中被購(gòu)買(mǎi)與否。但是序列 (3) (5) 不包含于 (3,5) ，反之亦然。這樣，這個(gè)客戶(hù)的客戶(hù)序列就成了這樣的一個(gè)序列： 〈 itemset(T1) itemset(T2) … itemset(Tn)〉 。有兩個(gè)序列 x和 y， x， y表示 x和 y經(jīng)過(guò)連接運(yùn)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(duì)數(shù)據(jù)進(jìn)行多次遍歷。然而，盡管 Web上有海量的數(shù)據(jù)，但由于 Web頁(yè)面過(guò)于復(fù)雜、而且是無(wú)結(jié)構(gòu)的、動(dòng)態(tài)的，導(dǎo)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(yè)面缺乏統(tǒng)一的結(jié)構(gòu)，它包含了遠(yuǎn)比任何一組書(shū)籍或文本文檔多得多的風(fēng)格和內(nèi)容。因此 web挖掘應(yīng)能根據(jù)不同的用戶(hù)提供個(gè)性化的服務(wù)。 1．電子商務(wù)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(diǎn)與發(fā)展趨勢(shì) 研究焦點(diǎn)可能會(huì)集中到以下幾個(gè)方面。這大量的非結(jié)構(gòu)化數(shù)據(jù)是無(wú)法使用現(xiàn)有數(shù)據(jù)庫(kù)管理系統(tǒng)來(lái)處理和管理的 , 這就對(duì) Web 進(jìn)行有效的信息抽取和知識(shí)發(fā)現(xiàn)帶來(lái)了極大的挑戰(zhàn) , 也使得 Web 數(shù)據(jù)挖掘更加復(fù)雜。鏈接信息和訪問(wèn)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(duì)的數(shù)據(jù)相比， Web挖掘的數(shù)據(jù)源具有以下特點(diǎn)： WEB挖掘 （ 1）對(duì)有效的數(shù)據(jù)倉(cāng)庫(kù)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(chēng)為 countall和 countsome。需要注意的是，大序列中的每一個(gè)項(xiàng)集都必須具有最小支持。 給定一個(gè)由客戶(hù)交易組成的數(shù)據(jù)庫(kù) D，挖掘序列模式的問(wèn)題就是在那些具有客戶(hù)指定最小支持度 (minimum support)的序列中找出最大序列 (maximal sequence)。事務(wù)按交易時(shí)間序排列就成了一個(gè)序列。不失一般性我們假定項(xiàng)集中的項(xiàng)由一些連續(xù)整數(shù)代替，這樣一個(gè)項(xiàng)集 i可以表示為 (i1,i2…im)，而這里的 ij代表了一個(gè)項(xiàng)。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(yīng)該提供一種在多個(gè)層次上進(jìn)行挖掘的功能。 // 根據(jù)頻繁 (k1)項(xiàng)集產(chǎn)生候選 k項(xiàng)集 (4) for each t ? D { //掃描數(shù)據(jù)庫(kù)，以確定每個(gè)候選項(xiàng)集的支持頻度 (5) Ct = subset( Ck, t )。該算法利用了一個(gè)層次順序搜索的循環(huán)方法來(lái)完成頻繁項(xiàng)集的挖掘工作。前者即用戶(hù)規(guī)定的關(guān)聯(lián)規(guī)則必須滿(mǎn)足的最小支持度，它表示了一個(gè)項(xiàng)集在統(tǒng)計(jì)意義上的需滿(mǎn)足的最低程度 。 關(guān)聯(lián)規(guī)則挖掘 滿(mǎn)足最小支持閾值的項(xiàng)集就稱(chēng)為頻繁項(xiàng)集 (或稱(chēng)大項(xiàng)集 )。設(shè)Ｘ是Ｉ中的一個(gè)子集 ,稱(chēng)一個(gè)事務(wù)Ｔ包含Ｘ ,當(dāng)且僅當(dāng)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(guò)程中所涉及到的有關(guān)概念和術(shù)語(yǔ)。例如，在分析超市銷(xiāo)售事務(wù)數(shù)據(jù)庫(kù)過(guò)程中，若單單從數(shù)據(jù)庫(kù)的原始字段，如面包、牛奶等等進(jìn)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(lèi)分析算法可以劃分為以下幾大類(lèi)： （ 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(lái)的。許多領(lǐng)域，包括數(shù)據(jù)挖掘、統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)都有聚類(lèi)研究和應(yīng)用。粗糙集理論的研究對(duì)象是由一個(gè)多值屬性（特征、癥狀、特性等）級(jí)和描述的一個(gè)對(duì)象集合，對(duì)于每個(gè)對(duì)象及其屬性都有一個(gè)值作為其描述符號(hào)，對(duì)象、屬性和描述符號(hào)是表達(dá)決策問(wèn)題的 3個(gè)基本要素。vebayes方法和 bayes網(wǎng)絡(luò)。 一個(gè)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(fù)合的集合。剪枝就是剪去那些不會(huì)增大樹(shù)的錯(cuò)誤預(yù)測(cè)率的分枝。 分類(lèi)的效果一般和數(shù)據(jù)的特點(diǎn)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(qiáng)，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(kù)技術(shù)研究最高水平的國(guó)際學(xué)術(shù)會(huì)議上，數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)的研究都占有較大的比例，數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)的研究已經(jīng)成為當(dāng)今計(jì)算機(jī)科學(xué)與技術(shù)研究、應(yīng)用的熱點(diǎn)領(lǐng)域之一。因此， KDD大會(huì)程序委員會(huì)曾經(jīng)由這三個(gè)學(xué)科的權(quán)威人物同時(shí)來(lái)任主席。 數(shù)據(jù)挖掘概述 4. 數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)和統(tǒng)計(jì)分析方法 數(shù)據(jù)挖掘利用了人工智能（ AI）和統(tǒng)計(jì)分析的進(jìn)步所帶來(lái)的好處。但如果數(shù)據(jù)倉(cāng)庫(kù)的計(jì)算資源已經(jīng)很緊張，那最好還是建立一個(gè)單獨(dú)的數(shù)據(jù)挖掘庫(kù) 圖 數(shù)據(jù)挖掘苦聰數(shù)據(jù)倉(cāng)庫(kù)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(zhǔn)確地理解數(shù)據(jù)挖掘的概念與技術(shù)特點(diǎn)。也有人說(shuō)， KDD在人工智能界更流行； Data Mining在數(shù)據(jù)庫(kù)界使用更多。 (2) 數(shù)據(jù)挖掘是 KDD過(guò)程的一個(gè)步驟 在“知識(shí)發(fā)現(xiàn) 96國(guó)際會(huì)議” 上，許多學(xué)者建議對(duì)這兩個(gè)名詞加以區(qū)分。