物聯(lián)網(wǎng)中的智能決策(ppt35頁)(完整版)
【正文】 沒有足夠鄰居的數(shù)據(jù)對象看作是離群點，這里的鄰居是基于距給定對象的距離來定義的。典型算法包括 kmeans算法和 kmedoids算法等 ?層次方法 ：對給定數(shù)據(jù)集合進(jìn)行逐層遞歸的合并或者分裂，因此可以被分為合并或分裂方法?？蛻魯?shù)據(jù)庫描述的客戶屬性包括姓名、年齡、收入、職業(yè)和信用記錄。 內(nèi)容回顧 數(shù)據(jù)挖掘概述 數(shù)據(jù)挖掘的基本類型和算法 * 智能決策與物聯(lián)網(wǎng) 什么是數(shù)據(jù)挖掘？數(shù)據(jù)挖掘有哪三個步驟？ 本章內(nèi)容 數(shù)據(jù)挖掘概述 數(shù)據(jù)挖掘 （ Data Mining） ?從大量 數(shù)據(jù) 中獲取潛在有用的并且可以被人們理解的 模式 的過程 ?是一個 反復(fù)迭代 的 人機(jī)交互和處理 的過程，歷經(jīng)多個步驟，并且在一些步驟中需要由用戶提供決策 數(shù)據(jù)挖掘的過程： ?數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘和對挖掘結(jié)果的評估與表示 ?每一個階段的輸出結(jié)果成為下一個階段的輸入 數(shù)據(jù)挖掘概述 數(shù)據(jù)挖掘的過程 ?數(shù)據(jù)預(yù)處理階段 ?數(shù)據(jù)準(zhǔn)備：了解領(lǐng)域特點，確定用戶需求 ?數(shù)據(jù)選?。簭脑紨?shù)據(jù)庫中選取相關(guān)數(shù)據(jù)或樣本 ?數(shù)據(jù)預(yù)處理：檢查數(shù)據(jù)的完整性及一致性，消除噪聲等 ?數(shù)據(jù)變換：通過投影或利用其他操作減少數(shù)據(jù)量 ?數(shù)據(jù)挖掘階段 ?確定挖掘目標(biāo)：確定要發(fā)現(xiàn)的知識類型 ?選擇算法：根據(jù)確定的目標(biāo)選擇合適的數(shù)據(jù)挖掘算法 ?數(shù)據(jù)挖掘：運用所選算法，提取相關(guān)知識并以一定的方式表示 ?知識評估與表示階段 ?模式評估：對在數(shù)據(jù)挖掘步驟中發(fā)現(xiàn)的模式 (知識 )進(jìn)行評估 ?知識表示：使用可視化和知識表示相關(guān)技術(shù)，呈現(xiàn)所挖掘的知識 數(shù)據(jù)挖掘概述 數(shù)據(jù)挖掘的過程 數(shù)據(jù)挖掘概述 數(shù)據(jù)挖掘的基本類型和算法 * 智能決策與物聯(lián)網(wǎng) 數(shù)據(jù)挖掘的基本類型和算法有那些？ 本章內(nèi)容 數(shù)據(jù)挖掘的基本類型和算法 數(shù)據(jù)挖掘的基本類型 關(guān)聯(lián)分析 (Association Analysis) 聚類分析 (Clustering Analysis) 離群點分析 (Outlier Analysis) 分類與預(yù)測 (Classification and Prediction) 演化分析 (Evolution Analysis) 描述性 挖掘任務(wù)：刻劃數(shù)據(jù)庫中數(shù)據(jù)的一般特性 預(yù)測性 挖掘任務(wù)：在當(dāng)前數(shù)據(jù)上進(jìn)行推斷和預(yù)測 關(guān)聯(lián)分析 關(guān)聯(lián)分析 的目標(biāo)是從給定的數(shù)據(jù)中發(fā)現(xiàn)頻繁出現(xiàn)的模式，即 關(guān)聯(lián)規(guī)則 關(guān)聯(lián)規(guī)則 通常的表述形式是 X Y，表示“數(shù)據(jù)庫中滿足條件 X的記錄 (元組 )可能也滿足條件 Y” 以某電器商場銷售記錄為例： 含義： 4% (支持度 )的顧客的年齡在 20至 29歲且月收入在 3000至 5000元，且這樣的顧客中， 65% (置信度 )的人購買了筆記本電腦 關(guān)聯(lián)分析 挖掘關(guān)聯(lián)規(guī)則，需要 置信度 和 支持度 越高越好 基本概念 項集 ：滿足若干條件的數(shù)據(jù)項的集合，如果條件數(shù)為 k，則稱 k項集 ?滿足年齡 (顧客 , “20~29”)的項集是
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1