第一章 数据挖掘的概念.pptVIP

就业工场数据中心 数据挖掘 概念与技术 第一章　引言 本章目标 理解对大型的、复杂的和信息丰富的数据集进行分析的必要性。 明确数据挖掘过程的目标和首要任务。 描述数据挖掘技术的起源。 了解数据挖掘过程所具有的迭代过程和基本步骤。 解释数据的质量对数据挖掘过程的影响。 建立数据仓库和数据挖掘之间的联系。 1.1概述 数据化信息产业的发展引发了数据的大量聚集，而如何将这些数据转化成有用有信息和知识是信息领域所面临的问题。 在数据库开发设计中经历了二个阶段的演化： 第一阶段：数据收集和数据库创建，数据管理引发了数据存储和检索，数据库事务处理技术研究。 第二阶段：数据分析与理解引发了数据仓库和数据挖掘技术的研究。 △数据仓库和数据挖掘技术的出现从根本上是为了解决这样一个问题：在创建一个数据集,考虑数据的存储效率的时候，同时考虑数据最终如何被使用和分析 例如，数据收集和数据库创建机制为数据存储和检索、查询和事务处理有效机制开发的必备基础。随着提供查询和事务处理的大量数据库系统（如医院中使用的各种信息系统）广泛应用，数据分析和理解自然成为下一个目标。 数据挖掘的两个根本目标：预测和描述 预测涉及到使用数据集中的一些变量或域来预测其他我们关心的变量的未知或未来的值；描述关注的则是找出描述可由人类解释的数据格式。 1)预测性数据挖掘:生成已知数据集的系统模型。 2)描述性数据挖掘:在数据集上生成新的、非同寻常的信息。 数据挖掘的基本任务： 1.分类： 2.回归： 3.聚类： 4.总结概括： 5.关联建模： 6.变化与偏差检测： 大部分数据挖掘问题和相应的解决方法都起源于传统的数据分析。 数据挖掘起源于多种学科，主要是统计学和机器学习。 统计学起源于数学，它强调数上精确；机器学习主要起源于计算机实践，它侧重于对事物的检验，确定它表现的好坏。 1.2　数据挖掘的起源 数据挖掘中的基本模型法则起源于控制理论，控制理论主要应用于工程系统和工业过程。 在控制理论中通过观察一个未知系统的输入输出信息，来决定其数学模型的问题常被称为系统识别。 系统识别是多样化的，从数据挖掘的立场出发是预测系统的行为，并解释系统变量之间的相互作用和关系。 定义：数据挖掘是一个从已知数据集合中发现和种模型、概要和导出值的过程。 1.3数据挖掘过程 1.3.1 陈述问题和阐明假设 大多数基于数据的模型研究都是在一个特定的应用领域里完成的。为了的提出一个有意义的问题的陈述，需要拥有该领域内丰富的知识和经验，着重对问题的清晰描述，而不是过分关注数据挖掘技术。尽可能地为未知的相关性指定一组变量，指定此相关性的一个大体形式作为初始假设。这一步需要应用领域的专门技术与数据挖掘模型相结合。 1.3.2 数据收集 数据如何收集，有两种截然不同的可能： 1）当数据产生过程在专家的控制下时，称为“设计实验”。 2）专家不能影响数据产生过程，称为“观察法”，数据随机产生。 通常收集完成后取样的分布也是完全未知的，或者是在数据收集过程中部分或者不明确地给出，但要理解数据收集是怎样影响它的理论分布的，这一点相当重要。 1.3.3 数据预处理 数据常常采集于已有的数据库、数据仓库和数据集市中。数据预处理有两个任务： 1.异常点的检测(和去除)：异常点是与众不同的数值，它们与大多数观察值不一致。 2.比例缩放、编码和选择特征：数据预处理包括各种比例缩放和不同类型的编码。 例如：取[1，0]的特征和取[-100，100]的特征，其加权值是不一样的，对数据挖掘的结果的影响也不尽相同。因此进行比例缩放使它们的加权相同。 1.3.4 模型评估 选择并实现适当的数据挖掘技术是这一步骤的主要任务。在应用中，建立在几个模型的基础上的，从中选择最好的模型是额外的任务。了解从数据中学习和发掘的基本原则，并掌握一些特殊的技术，应用这些技术可以从数据中成功在学习，也可以应用这些的技术找到适当的模型，这些内容将在相关章节的获得。 1.3.5 解释模型和得出结论 在大多数应用场合，数据挖掘模型应该有助于决策。一般来说，简单的模型容易说明，但其准确性就差一些，现代的数据挖掘方法着重于使用高维度的模型来获得高精度的结果。 用特定的技术验证这些结果对这些模型进行解释说明被认为是一项独立的任务，同时也是非常重要的。 现实情况是我们分析和理解大规模数据集的能力远远落后于我们采集数据和存储数据的能力。在数据收集和数据的组织给力与分析能力之间存在的差距正在迅速扩大。 问题的根源是：对于手工分析和解释来说，或者甚至对半自动的基于计算机的分析来说，数据的规模和维数实在太大了。 1.4??大型数据集 面对的问题是： 1.对每一数据点都有几