机器学习在数据挖掘中的应用.pdfVIP

计算机与信息技术 广西质量监督导报 2008第11期 总第95期 机器学习在数据挖掘中的应用 梁晓音 （广西经济管理干部学院，广西 南宁 530007） 本文的目的是阐述数据挖掘中机器学习的作用。数据挖掘在商业领域得到了广泛的应用，而机器学习可以进行 [摘 要] 数据分析和模式发现，从而在数据挖掘应用中扮演了一个关键的角色。了解各个机器学习技术的优缺点有助于我们在具体的应 用中选择合适的方法。因此，本文对机器学习技术进行了总结和分析，并讨论了它们在数据挖掘中的优缺点。 机器学习；数据挖掘；任务类型 [关键词] 一、引言 二、机器学习的概念与发展 数据挖掘（也称为“数据库中的知识发现”）是数 机器学习是一种使获取知识自动化的计算方法 据库和信息决策领域最前沿的研究方向之一。数据 的学习。机器学习的研究史大致经历了四个阶段： 挖掘能够揭示隐藏的模式和关系。从技术角度来看， 第一个阶段，20世纪50年代的神经模拟和决 数据挖掘是指从数据中提取隐含的，人们事先不知 策理论技术，学习系统在运行时还很少具有结构或 道的，但又是潜在有用的信息和知识的过程。从商业 知识。主要方法是建造神经网络和自组织学习系统， 角度看，数据挖掘是按企业既定的业务目标，对大量 学习表现为阈值逻辑单元传送信号的反馈调整。 的企业数据进行探索和分析，揭示隐藏的、未知的或 第二个阶段，20世纪60年代早期开始研究面 验证已知的规律性，并进一步将其模型化的方法。 向概念的学习，即符号学习。使用的工具是语义网络 MetaGroup曾对数据挖掘做出这样的“全球重评论：或谓词逻辑。在概念获取中，学习系统通过分析相关 要的企业、组织会发现，到21世纪数据挖掘技术将 概念的大量正例和反例来构造概念的符号表示。 是他们商业成功与否的至关重要的影响因素。”数据 第三阶段，开始于20世纪70年代中期，研究活 挖掘是20世纪80年代投资人工智能研究项目失败动日趋兴旺，各种学习方法不断推出，实验系统大量 [2] 后，人工智能转入实际应用时提出的 。它是一个很 涌现，机器学习成为人工智能的一个独立研究领域。 有应用价值的新领域，融合了数据库、人工智能、机 第四阶段，从20世纪80年代中后期到现在，进 器学习、统计学等多个领域的理论和技术。 入到自动化及模式识别等领域，各种学习方法开始 数据挖掘是一个复杂的过程，需要多步迭代。一 继承，多策略学习已经使学习系统愈具应用价值，开 般的数据挖掘过程第一步是分析数据的选择，通常 始从实验室走向应用领域。而运用机器学习的数据 使用合适的历史数据；然后，对数据进行清理和预处 挖掘在商业领域中的应用则是最好的例子。 理，清除数据之间的差异和不一致性；接着，对数据 三、机器学习方法的分类 集进行分析，得到所要的可解释模式并验证模式的 数据挖掘中使用的机器学习技术主要有以下五 一般性，这样才能达到指导商业行为或辅助科学研 [1] 种 。 究的目的。数据挖掘过程可以通过不断地迭代，得到 最终的有意义的知识。 集中产生一棵决策树或一组决策规则来进行分类。 基于机器学习的模式识别算法限制较少，并且 决策树可以转化成一组规则，分类规则通常用析取 产生的模式很容易理解。因此在数据挖掘领域，机器 范式表示。规则归纳主要优点是处理大数据集的能 学习方法以其强大的处理不同类型数据的能力和商 力强，适合分类和预测型的任务，结果易于解释，技 业应用的巨大潜力日益受到该领域学术界和商业界 术上易于实施。 的重视。用于数据挖掘的各种机器学习算法都有各 自的特点，因此了解它们的优缺点将有助于我们在 似人脑神经元的处理节点组成，输入节点通过隐藏 特定的