【文章內(nèi)容簡介】 ? 數(shù)據(jù)類型不同（結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)）n從分析思想的角度看? 更關(guān)注實(shí)證性分析（ Empirical Analysis）而非探索性分析（ Exploratory Analysis）? 更關(guān)注模型（ Model）而非算法（ Algorithm）n但二者具有相當(dāng)密切的聯(lián)系? 從數(shù)據(jù)分析的角度，統(tǒng)計(jì)學(xué)現(xiàn)在是且仍將是數(shù)據(jù)挖掘最重要的技術(shù)支撐和思想源泉? 更加深入的滲透和交叉（如探索性數(shù)據(jù)分析， EDA）數(shù)據(jù)挖掘是數(shù)據(jù)驅(qū)動的探索性分析 !37 *數(shù)據(jù)挖掘：多學(xué)科的匯合數(shù)據(jù)挖掘數(shù)據(jù)庫技術(shù) 統(tǒng)計(jì)學(xué)其它學(xué)科信息科學(xué)機(jī)器學(xué)習(xí) 可視化人工智能科學(xué)計(jì)算38 *數(shù)據(jù)挖掘是一個(gè)過程 “from data mining to knowledge discovery in database”. U. fayyad, and (1996)39 *數(shù)據(jù)挖掘過程中的數(shù)據(jù)預(yù)處理n數(shù)據(jù)清洗? 填充缺失值 , 修均噪聲數(shù)據(jù) , 識別或刪除孤立點(diǎn) , 并解決數(shù)據(jù)不一致問題? 主要分析方法：分箱（ Binning）、聚類、回歸n數(shù)據(jù)集成? 多個(gè)數(shù)據(jù)庫、數(shù)據(jù)方或文件的集成n數(shù)據(jù)變換? 規(guī)范化與匯總n數(shù)據(jù)簡化? 減少數(shù)據(jù)量的同時(shí) , 還可以得到相同或相近的分析結(jié)果? 主要分析方法：抽樣、主成分分析n數(shù)據(jù)離散化? 數(shù)據(jù)簡化的一部分 , 但非常重要 (尤其對于數(shù)值型數(shù)據(jù)來說 )40 *數(shù)據(jù)挖掘過程中的數(shù)據(jù)探索n探索性數(shù)據(jù)分析（ Exploratory Data Analysis, EDA）? 探索性地查看數(shù)據(jù)，概括數(shù)據(jù)集的結(jié)構(gòu)和關(guān)系? 對數(shù)據(jù)集沒有各種嚴(yán)格假定? “ 玩 ” 數(shù)據(jù)n主要任務(wù)? 數(shù)據(jù)可視化（ a picture is worth a thousand words）? 殘差分析（數(shù)據(jù)＝擬合 + 殘差）? 數(shù)據(jù)的重新表達(dá)（什么樣的尺度－對數(shù)抑或平方跟－會簡化分析？）? 方法的耐抗性（對數(shù)據(jù)局部不良的不敏感性，如中位數(shù)耐抗甚于均值）n常見方法? 統(tǒng)計(jì)量，如均值、方差、根方差、協(xié)方差、峰度、偏度、相關(guān)系數(shù)等? 統(tǒng)計(jì)圖，如餅圖、直方圖、散點(diǎn)圖、箱尾圖等? 模型，如聚類41 *數(shù)據(jù)挖掘結(jié)果的評價(jià)n興趣度度量：一個(gè)模式是有意義的，如果它易于被人理解，在某種程度上，對于新數(shù)據(jù)或者測試數(shù)據(jù)是有效的、潛在有用或者驗(yàn)證了用戶渴望確認(rèn)的某些假設(shè)。? 目前仍無很好的解決辦法，很大程度上仍依靠人工? 不存在解決這個(gè)問題的簡單技術(shù)，最終答案是不要把數(shù)據(jù)挖掘當(dāng)作脫離數(shù)據(jù)內(nèi)涵的簡單技術(shù)來運(yùn)用? 客觀興趣度：基于統(tǒng)計(jì)或模式的結(jié)構(gòu)，如統(tǒng)計(jì)量、支持度、 lift等? 主觀興趣度：基于用戶對數(shù)據(jù)的確信程度，如意外程度、新奇程度或者可行動性等? 過度擬合（ Overfitting）問題42 *什么不是數(shù)據(jù)挖掘？n定量分析（ Quantitative Analysis）的需要存在企業(yè)管理運(yùn)行的各個(gè)側(cè)面或環(huán)節(jié)，但并非所有的定量分析問題都可以歸結(jié)到數(shù)據(jù)挖掘范疇的問題。? 簡單的報(bào)表、圖表及多維分析仍是日常分析工作的主要內(nèi)容? 小樣本數(shù)據(jù)的分析傳統(tǒng)統(tǒng)計(jì)分析方法更成熟有效，如趨勢預(yù)測? 某些特定業(yè)務(wù)問題無法用數(shù)據(jù)挖掘算法加以解決，例如?資源最優(yōu)配置問題是個(gè)運(yùn)籌學(xué)問題?某些物流管理問題或者供應(yīng)鏈管理問題是個(gè)隨機(jī)規(guī)劃問題?營銷預(yù)演本質(zhì)是個(gè)系統(tǒng)仿真問題43 *幾個(gè)基本概念n模型（ Model） vs 模式（ Pattern）? 數(shù)據(jù)挖掘的根本目的就是把樣本數(shù)據(jù)中隱含的結(jié)構(gòu)泛化（ Generalize）到總體（Population）上去? 模型：對數(shù)據(jù)集的一種全局性的整體特征的描述或概括，適用于數(shù)據(jù)空間中的所有點(diǎn)，例如聚類分析? 模式：對數(shù)據(jù)集的一種局部性的有限特征的描述或概括，適用于數(shù)據(jù)空間的一個(gè)子集，例如關(guān)聯(lián)分析n算法（ Algorithm）：一個(gè)定義完備（ welldefined）的過程，它以數(shù)據(jù)作為輸入并產(chǎn)生模型或模式形式的輸出n描述型挖掘（ Descriptive） vs 預(yù)測型挖掘（ Predictive）? 描述型挖掘：對數(shù)據(jù)進(jìn)行概括，以方便的形式呈現(xiàn)數(shù)據(jù)的重要特征? 預(yù)測型挖掘：根據(jù)觀察到的對象特征值來預(yù)測它的其他特征值? 描述型挖掘可以是目的，也可以是手段44 *幾類基本的挖掘算法n關(guān)聯(lián)規(guī)則（模式、描述型）? 發(fā)現(xiàn)數(shù)據(jù)集中的頻繁模式? 例如： buy(x,”diapers”) ? buy(x,”beers”) [%, 60%]n分類與預(yù)測（模型、預(yù)測型）? 發(fā)現(xiàn)能夠區(qū)分或預(yù)測目標(biāo)變量（唯一的）的規(guī)則或者函數(shù)? 分類的目標(biāo)變量一般是范疇型的，而預(yù)測則是數(shù)量型的，并不必然帶有任何時(shí)間延續(xù)型的暗示? 例如：股票市值的預(yù)測，病人病情的判斷n聚類（模型、描述型）? 對數(shù)據(jù)分組以形成新類，類標(biāo)記是未知的? 例如：市場細(xì)分n孤立點(diǎn)探測（ Outlier Detection）（模式、預(yù)測型）? 分析異常或噪聲數(shù)據(jù)的行為模式? 例如：欺詐檢測45 *關(guān)聯(lián)規(guī)則的基本概念n基本定義? 給定（ 1）事務(wù)數(shù)據(jù)集（ 2）每個(gè)事務(wù)是數(shù)據(jù)項(xiàng)的集合，試圖發(fā)現(xiàn)項(xiàng)集中的頻繁模式或關(guān)聯(lián)關(guān)系? 所謂頻繁模式或者關(guān)聯(lián)規(guī)則就是一個(gè)具有 “A ? B”形式的邏輯蘊(yùn)涵式? 頻繁模式并不必然蘊(yùn)涵著因果關(guān)系或相關(guān)關(guān)系！? 算法實(shí)現(xiàn)基本上基于 APRIORI法則：頻繁項(xiàng)集的所有非空子集一定也是頻繁（Frequent）的n基本分類? 布爾關(guān)聯(lián)規(guī)則 vs 定量關(guān)聯(lián)規(guī)則?buy(x,”diapers”) ? buy(x,”beers”)?Age(x,”30..39”) ^ ine(x,”42k..48k”) ? buy(x,”PC”)? 單維關(guān)聯(lián)規(guī)則 vs 多維關(guān)聯(lián)規(guī)則? 單層關(guān)聯(lián)規(guī)則 vs 多層關(guān)聯(lián)規(guī)則?Age(x,”30..39”) ^ ine(x,”42k..48k”) ? buy(x,”IBM PC”)? 序列模式（ Sequence Pattern）?數(shù)據(jù)項(xiàng)是一個(gè)包含時(shí)間標(biāo)簽的序偶 [item(i),t]46 *關(guān)聯(lián)規(guī)則的度量n發(fā)現(xiàn)具有最小置信度和支持度的全部規(guī)則 X ^ Y ? Z ? 支持度 (support), s, 事務(wù)中包含 {X Y Z}的概率? 置信度 (confidence), c, 事務(wù)中包含 {X Y}的條件下 , 包含 Z的條件概率n令最小支持度為 50%, 最小置信度為50%, 則有216。 A ? C (50%, %)216。 C ? A (50%, 100%)顧客購買尿布顧客購買兩者顧客購買啤酒47 *對支持度與置信度的批判n示例? 總共 5000名學(xué)生 , 其中252。3000人玩籃球252。3750人吃谷類食品252。2023人既玩籃球又吃谷類食品216。 play basketball ? eat cereal [40%, %] 是一個(gè)誤導(dǎo)規(guī)則 , 因?yàn)槌怨阮愂称返膶W(xué)生占學(xué)生總數(shù)的 75%, 比 %更高216。 play basketball ? not eat cereal [20%, %] 其實(shí)是一個(gè)更精確的規(guī)則 , 盡管它的支持度和置信度都比較低48 *關(guān)聯(lián)規(guī)則的應(yīng)用n市場購物籃分析（ Market Basket Analysis）? 例如一個(gè)事務(wù)是客戶的一個(gè)購物清單，同一客戶的兩份清單被認(rèn)為是兩個(gè)不同的事務(wù)? 數(shù)據(jù)項(xiàng)是所有可能陳列貨物的全集? 目標(biāo)是發(fā)現(xiàn)同時(shí)出現(xiàn)的貨品組合間的關(guān)聯(lián)模式? 應(yīng)用：商品貨價(jià)設(shè)計(jì)、倉儲規(guī)劃、網(wǎng)頁布局、產(chǎn)品目錄設(shè)計(jì)等等n交叉銷售（ Cross Selling）? 客戶依次購買不同產(chǎn)品的序列? 目標(biāo)是發(fā)現(xiàn)在購買某一產(chǎn)品組合之后客戶可能購買的另一產(chǎn)品或服務(wù)? 應(yīng)用：網(wǎng)絡(luò)故障分析、網(wǎng)站門戶設(shè)計(jì)等49 *分類問題的基本定義n給定一數(shù)據(jù)集合（訓(xùn)練集）? 數(shù)據(jù)記錄由一系列變量組成? 其中有一個(gè)變量是目標(biāo)分類標(biāo)簽n尋找一模型，使目標(biāo)分類變量值是其他變量值的一個(gè)函數(shù)n利用上述函數(shù)，一未知分類變量值的數(shù)據(jù)記錄能夠盡可能準(zhǔn)確地被判定到某一類別中去? 一般會有另一獨(dú)立地?cái)?shù)據(jù)集（測試集）用以驗(yàn)證所構(gòu)建分類函數(shù)的準(zhǔn)確性，避免過度擬合50 *分類過程示意訓(xùn)練集 分類學(xué)習(xí)訓(xùn)練集分類器IF rank = ‘professor’OR years 6THEN tenured = ‘yes’Jef is YES!51 *分類中的決策樹（ Decision Tree）歸納n決策樹 ? 類似于流程圖的樹型結(jié)構(gòu)? 內(nèi)部節(jié)點(diǎn)代表對某個(gè)屬性的一次測試? 分支代表測試的輸出結(jié)果? 葉節(jié)點(diǎn)代表分類標(biāo)簽或分布n決策樹的生成包括兩個(gè)階段? 樹的創(chuàng)建252。首先 , 所有訓(xùn)練樣本都位于根節(jié)點(diǎn)252。遞歸地基于選擇屬性來劃分樣本集? 樹的修剪252。識別并刪除那些反映噪聲或孤立點(diǎn)的分