寫給新人數據挖掘基礎知識介紹 分析挖掘文章

隨著計算機技術的發展，各行各業都開始采用計算機及相應的信息技術進行管理和運營，這使得企業生成、收集、存貯和處理數據的能力大大提高，數據量與日俱增。企業數據實際上是企業的經驗積累，當其積累到一定程度時，必然會反映出規律性的東西；對企業來，堆積如山的數據無異于一個巨大的寶庫。在這樣的背景下，人們迫切需要新一代的計算技術和工具來開采數據庫中蘊藏的寶藏，使其成為有用的知識，指導企業的技術決策和經營決策，使企業在競爭中立于不敗之地。另一方面，近十余年來，計算機和信息技術也有了長足的進展，產生了許多新概念和新技術，如更高性能的計算機和操作系統、因特網(intemet)、數據倉庫(datawarehouse)、神經網絡等等。在市場需求和技術基礎這兩個因素都具備的環境下，數據挖掘技術或稱KDD(KnowledgeDiscovery in Databases；數據庫知識發現)的概念和技術就應運而生了。

數據挖掘(Data Mining)旨在從大量的、不完全的、有噪聲的、模糊的、隨機的數據中, 提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識。還有很多和這一術語相近似的術語,如從數據庫中發現知識(KDD)、數據分析、數據融合(Data Fusion)以及決策支持等。

二、數據挖掘的基本任務

數據挖掘的任主要是關聯分析、聚類分析、分類、預測、時序模式和偏差分析等。

1. 關聯分析(association analysis)

關聯規則挖掘由Rakesh Apwal等人首先提出。兩個或兩個以上變量的取值之間存在的規律性稱為關聯。數據關聯是數據庫中存在的一類重要的、可被發現的知識。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出數據庫中隱藏的關聯網。一般用支持度和可信度兩個閥值來度量關聯規則的相關性，還不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合需求。

2. 聚類分析(clustering)

聚類是把數據按照相似性歸納成若干類別，同一類中的數據彼此相似，不同類中的數據相異。聚類分析可以建立宏觀的概念，發現數據的分布模式，以及可能的數據屬性之間的相互關系。

3. 分類(classification)

分類就是找出一個類別的概念描述，它代表了這類數據的整體信息，即該類的內涵描述，并用這種描述來構造模型，一般用規則或決策樹模式表示。分類是利用訓練數據集通過一定的算法而求得分類規則。分類可被用于規則描述和預測。

4. 預測(predication)

預測是利用歷史數據找出變化規律，建立模型，并由此模型對未來數據的種類及特征進行預測。預測關心的是精度和不確定性，通常用預測方差來度量。

5. 時序模式(time-series pattern)

時序模式是指通過時間序列搜索出的重復發生概率較高的模式。與回歸一樣，它也是用己知的數據預測未來的值，但這些數據的區別是變量所處時間的不同。

6. 偏差分析(deviation)

在偏差中包括很多有用的知識，數據庫中的數據存在很多異常情況，發現數據庫中數據存在的異常情況是非常重要的。偏差檢驗的基本方法就是尋找觀察結果與參照之間的差別。

三 數據挖掘常的基本技術

1. 統計學

統計學雖然是一門“古老的”學科，但它依然是最基本的數據挖掘技術，特別是多元統計分析，如判別分析、主成分分析、因子分析、相關分析、多元回歸分析等。

2. 聚類分析和模式識別

聚類分析主要是根據事物的特征對其進行聚類或分類，即所謂物以類聚，以期從中發現規律和典型模式。這類技術是數據挖掘的最重要的技術之一。除傳統的基于多元統計分析的聚類方法外，近些年來模糊聚類和神經網絡聚類方法也有了長足的發展。

3. 決策樹分類技術

決策樹分類是根據不同的重要特征，以樹型結構表示分類或決策集合，從而產生規則和發現規律。

4. 人工神經網絡和遺傳基因算法

人工神經網絡是一個迅速發展的前沿研究領域，對計算機科學 人工智能、認知科學以及信息技術等產生了重要而深遠的影響，而它在數據挖掘中也扮演著非常重要的角色。人工神經網絡可通過示例學習，形成描述復雜非線性系統的非線性函數，這實際上是得到了客觀規律的定量描述，有了這個基礎，預測的難題就會迎刃而解。目前在數據挖掘中，最常使用的兩種神經網絡是BP網絡和RBF網絡 不過，由于人工神經網絡還是一個新興學科，一些重要的理論問題尚未解決。

5. 規則歸納

規則歸納相對來講是數據挖掘特有的技術。它指的是在大型數據庫或數據倉庫中搜索和挖掘以往不知道的規則和規律，這大致包括以下幾種形式：IF … THEN …

6. 可視化技術

可視化技術是數據挖掘不可忽視的輔助技術。數據挖掘通常會涉及較復雜的數學方法和信息技術，為了方便用戶理解和使用這類技術，必須借助圖形、圖象、動畫等手段形象地指導操作、引導挖掘和表達結果等，否則很難推廣普及數據挖掘技術。

四 數據挖掘技術實施的步驟

數據挖掘的過程可以分為6個步驟：

1) 理解業務：從商業的角度理解項目目標和需求，將其轉換成一種數據挖掘的問題定義，設計出達到目標的一個初步計劃。

2) 理解數據：收集初步的數據，進行各種熟悉數據的活動。包括數據描述，數據探索和數據質量驗證等

3) 準備數據：將最初的原始數據構造成最終適合建模工具處理的數據集。包括表、記錄和屬性的選擇，數據轉換和數據清理等。

4) 建模：選擇和應用各種建模技術，并對其參數進行優化。

5) 模型評估：對模型進行較為徹底的評價，并檢查構建模型的每個步驟，確認其是否真正實現了預定的商業目的。

6) 模型部署：創建完模型并不意味著項目的結束，即使模型的目的是為了增進對數據的了解，所獲得的知識也要用一種用戶可以使用的方式來組織和表示。通常要將活動模型應用到決策制訂的過程中去。該階段可以簡單到只生成一份報告，也可以復雜到在企業內實施一個可重復的數據挖掘過程?？刂频玫狡毡槌姓J。

五 數據挖掘的應用現狀

數據挖掘是一個新興的邊緣學科，它匯集了來自機器學習、模式識別、數據庫、統計學、人工智能以及管理信息系統等各學科的成果。多學科的相互交融和相互促進，使得這一新學科得以蓬勃發展，而且已初具規模。在美國國家科學基金會(NSF)的數據庫研究項目中，KDD被列為90年代最有價值的研究項目。人工智能研究領域的科學家也普遍認為，下一個人工智能應用的重要課題之一，將是以機器學習算法為主要工具的大規模的數據庫知識發現。盡管數據挖掘還是一個很新的研究課題，但它所固有的為企業創造巨大經濟效益的潛力，已使其很快有了許多成功的應用，具有代表性的應用領域有市場預測、投資、制造業、銀行、通訊等。

美國鋼鐵公司和神戶鋼鐵公司利用基于數據挖掘技術的ISPA系統，研究分析產品性能規律和進行質量控制，取得了顯著效果。通用電器公司(GE)與法國飛機發動機制造公司(sNEcMA)，利用數據挖掘技術研制了CASSIOP．EE質量控制系統，被三家歐洲航空公司用于診斷和預測渡音737的故障，帶來了可觀的經濟效益。該系統于1996年獲歐洲一等創造性應用獎。

享有盛譽的市場研究公司，如美國的A．C．一Nielson和Information Resources，歐洲的GFK和ln．fratest Burk等紛紛開始使用數據挖掘工具來應付迅速增長的銷售和市場信息數據。商家的激烈競爭導致了市場快速飽和，產品的迅速更新，使得經營者對市場信息的需求格外強烈利用數據挖掘技術所形成的市場預測能力和服務，使這些市場研究公司取得了巨大收益。

英國廣播公司(BBC)也應用數據挖掘技術來預測電視收視率，以便合理安排電視節目時刻表。信用卡公司Alllelicall KxT,ress自采用數據挖掘技術后，信用卡使用率增加了10％ 一15％。AT&T公司賃借數據挖掘技術技術偵探國際電話欺詐行為，可以盡快發現國際電話使用中的不正?，F象。