第5章：基于数据仓库的决策支持系统(3).ppt

第5章 基于数据仓库的决策支持系统 (3) 第（3）部分 5.4 数据挖掘 5.5数据挖掘的决策支持 5.5.1 数据挖掘的决策支持分类 5.5.2决策树与决策规则树的挖掘 及其应用 5.4 数据挖掘 5.4.1知识发现与数据挖掘概念 5.4.2 数据挖掘方法和技术 5.4.3 数据挖掘的知识表示 数据挖掘的兴起 5.5.1 数据挖掘的决策支持分类 数据挖掘的分类： 关联分析、时序模式、聚类、分类、偏差检测、预测。 1、关联分析 若两个或多个数据项的取值之间重复出现且概率很高时，它就存在某种关联，可以建立起这些数据项的关联规则。 2、时序模式 通过时间序列搜索出重复发生概率较高的模式。这里强调时间序列的影响。 2、ID3算法 决策规则树 决策规则树结点 （1）规则表示形式 决策规则树中非叶结点均为规则。规则表示为： 特征： A1，A2，...， .Am 权值： W1，W2，...，.Wm 标准值：V1，V2，...， .Vm 阈值：Sp，Sn 该规则可形式描述为： （1）sum:=0； （2）对i:=1到m作：若（Ai）=Vi，则 sum:=sum+wi； （3）若sum?sn，则该例为N类； （4）若sum?sp，则该例为P类； （5）若snsumsp，则该例暂不能判，转下一条规则判别。 其中sum表示权和，（Ai）表示特征Ai的取值。 （2）举例 设问题空间中例子有10个特征（属性），特征编号从1到10。每个特性取值为{no,yes}，用{0,1}表示，规则是由重要特征组成的，对每个特征求出权值以表示其重要程度，删除不重要特征得规则如下： 特征： 1 3 4 6 7 权值： 100 90 105 500 40 标准值： 1 0 1 1 0 阈值： 220，100 现有三个测试例子： 例子1：（1，0，0，0，1，0，0，1，1，1） 例子2：（0，1，0，0，1，0，0，0，1，0） 例子3：（0，1，0，0，1，0，1，0，1，1） 例子1的权和sum=230，有sum220，判定例子1属于u1类。 例子2的权和sum=130，有100sum220，认为例子2不能判， 例子3有权和sum=90，有sum100，判例子3的类别为u2类。 规则中: A1，A2，...，Am为组成规则的特征 W1，W2，...，Wm为对应的权值 V1，V2，...，Vm为对应特征取正例的标准值 测试例子在该特征处取值与标准值相同，则sum（权和）加上对应权值，否则不加。 Sp，Sn是判是、判非、不能判的阈值。 测试例子的权和为sum: sum≥Sp时判为是类（u1类） sum?Sn时判为非类（u2类） SnsumSp时认为不能判 IBLE算法由四部分组成： 预处理； 建决策树算法； 建规则算法； 类别判定算法。 以上算法见书中说明. IBLE方法实例 配隐形眼镜问题 （1）患者配隐形眼镜的类别 患者是否应配隐形眼镜有三类： @1：患者应配隐形眼 @2：患者应配软隐形眼镜 @3：患者不适合配隐形眼镜 （2）患者眼镜诊断信息(属性) a：患者的年纪 (1)年轻；(2)前老光眼；(3)老光眼 b：患者的眼睛诊断结果 (1)近视；(2)远视 c：是否散光 (1)是：(2)否 d：患者的泪腺 (1)不发达；(2)正常 利用IBLE算法得出的各类决策规则树和逻辑公式 （1）@1类的决策规则树 规则 1 a=1 b=1 c=2 d=2 0.21 0.048 0.282 0.282 s1=0.5639 ≤s1 s1 非@1类 @1类 等价规则为：c=2 ∧ d=2 ∧ a=1 → @1 c=2 ∧ d=2 ∧ b=1 → @1 苯等八类化合物的分类问题 IBLE与ID3的比较 原因分析 IBLE决策规则树的特点 IBLE决策规则树的特点 习题 29，31，32，34， 36，37，39，42