數(shù)據(jù)挖掘綜述ppt課件(編輯修改稿)
2025-05-27 18:14 本頁面
【文章內(nèi)容簡介】 iation) 廣義知識（ Generalization）n 廣義知識指類別特征的概括性描述知識。根據(jù)數(shù)據(jù)的微觀特性發(fā)現(xiàn)其表征的、帶有普遍性的、較高層次概念的知識，反映同類事物共同性質(zhì)，是對數(shù)據(jù)的概括、精煉和抽象。 廣義知識的發(fā)現(xiàn)方法和實現(xiàn)技術(shù)有很多，如數(shù)據(jù)立方體、面向?qū)傩缘臍w約等。 數(shù)據(jù)立方體 : 基本思想是實現(xiàn)某些常用的代價較高的聚集函數(shù)的計算，諸如計數(shù)、求和、平均、最大值等，并將這些實現(xiàn)視圖儲存在多維數(shù)據(jù)庫中。 面向?qū)傩缘臍w約方法 : 基本思想是收集數(shù)據(jù)庫中的相關(guān)數(shù)據(jù)集，然后在相關(guān)數(shù)據(jù)集上應用一系列數(shù)據(jù)推廣技術(shù)進行數(shù)據(jù)推廣，包括屬性刪除、概念樹提升、屬性閾值控制、計數(shù)及其他聚集函數(shù)傳播等。 關(guān)聯(lián)知識 (Association)n 它反映一個事件和其他事件之間依賴或關(guān)聯(lián)的知識。 如果兩項或多項屬性之間存在關(guān)聯(lián)，那么其中一項的屬性值就可以依據(jù)其他屬性值進行預測。n 最為著名的關(guān)聯(lián)規(guī)則發(fā)現(xiàn)方法是 Apriori算法。n 關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)可分為兩步： 第一步是迭代識別所有的頻繁項目集，要求頻繁項目集的支持率不低于用戶設定的最低值； 第二步是從頻繁項目集中構(gòu)造可信度不低于用戶設定的最低值的規(guī)則。分類知識 (Classification＆Clustering)n 分類知識反映同類事物 共同性質(zhì) 的特征型知識和不同事物之間的 差異型 特征知識。n 最為典型的分類方法是基于決策樹的分類方法。它是從實例集中構(gòu)造決策樹，是一種有指導的學習方法。n 數(shù)據(jù)分類還有統(tǒng)計、粗糙集（ Rough Set）等方法。線性回歸和線性辨別分析是典型的統(tǒng)計模型。 為降低決策樹生成代價，人們還提出了一種區(qū)間分類器。最近也有人研究使用神經(jīng)網(wǎng)絡方法在數(shù)據(jù)庫中進行分類和規(guī)則提取。 預測型知識（ Prediction）n 預測知識根據(jù)時間序列型數(shù)據(jù)，由歷史的和當前的數(shù)據(jù)去推測未來的數(shù)據(jù)，也可以認為是以時間為關(guān)鍵屬性的關(guān)聯(lián)知識。n 時間序列預測方法有經(jīng)典的統(tǒng)計方法、神經(jīng)網(wǎng)絡和機器學習等。 (Deviation)n 偏差型知識是對差異和極端特例的描述，揭示事物偏離常規(guī)的異常現(xiàn)象，如標準類外的特例，數(shù)據(jù)聚類外的離群值等。5 數(shù)據(jù)挖掘的功能n 自動預測趨勢和行為n 關(guān)聯(lián)分析n 聚類n 概念描述 n 偏差檢測 自動預測趨勢和行為 n 數(shù)據(jù)挖掘自動在大型數(shù)據(jù)庫中尋找預測性信息，以往需要進行大量手工分析的問題如今可以迅速直接由數(shù)據(jù)本身得出結(jié)論。n 一個典型的例子是市場預測問題，數(shù)據(jù)挖掘使用過去有關(guān)促銷 A的數(shù)據(jù)來尋找未來投資中回報最大的用戶，其它可預測的問題包括預報破產(chǎn)以及認定對指定事件最可能作出反應的群體。 關(guān)聯(lián)分析n 關(guān)聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的關(guān)聯(lián)網(wǎng)。 若兩個或多個變量的取值之間存在某種規(guī)律性，就稱為關(guān)聯(lián)。n 關(guān)聯(lián)可分為簡單關(guān)聯(lián)、時序關(guān)聯(lián)、因果關(guān)聯(lián)。n 有時并不知道數(shù)據(jù)庫中數(shù)據(jù)的關(guān)聯(lián)函數(shù)，即使知道也是不確定的，因此關(guān)聯(lián)分析生成的規(guī)則帶有可信度。 聚類n 數(shù)據(jù)庫中的記錄可被化分為
教學課件相關(guān)推薦
鄂ICP備17016276號-1