知识发现与数据挖掘论文解析.docVIP

知识发现与数据挖掘 ——浅谈数据挖掘方法 姓名：xxx 专业：计算机应用技术 学号：xxxxxxxx 2012 年 8 月 20日 浅谈数据挖掘方法 一、数据挖掘的概念 数据挖掘是KKD中的重要技术，就是从大量的、不完全的、有噪声的、模糊的、随机的数据库中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程，表现形式为：规则、概念、规律及模式等。它可帮助决策者分析历史数据及当前数据，并从中发现隐藏的关系和模式，发现了的知识可以被用于信息管理、查询优化、决策支持、过程控制等，还可以用于数据自身的维护。 二、数据挖掘分类 数据挖掘是一门涉及面很广的交叉性新兴学科，涉及到数据库、数理统计、可视化、并行计算、机器学习、模式识别、统计学、遗传算法、专家系统、神经网络、模糊数学、人工智能等领域。其中数理统计、人工智能和数据库是其三大支柱。其主要特点是对数据库中的大量数据进行抽取、转换、分析和其他模型化处理，并从中提取辅助决策的关键性数据。数据挖掘涉及的学科领域和方法很多，有多种分类法。图1是根据挖掘对象的分类，图2是根据挖掘方法的分类，图3是根据挖掘任务的分类。 图1 根据挖掘的对象分类 图2 根据挖掘方法分类 图3 根据挖掘任务分类 三、数据挖掘技术和算法 数据挖掘技术和算法很多，且各有其适用的领域，下面就常用的数据挖掘方法进行概述，并分析各自的适用范围和优缺点。 （一）决策树 决策树，又称判定树，是一种类似二叉树或多叉树的树结构。决策树是用样本的属性作为结点，用属性的取值作为分支，也就是类似流程图的过程，其中每个内部节点表示在一个属性上的测试，每个分支代表一个测试输出，而每个树叶节点代表类或类分布。它对大量样本的属性进行分析和归纳。根结点是所有样本中信息量最大的属性，中间结点是以该结点为根的子树所包含的样本子集中信息量最大的属性，决策树的叶结点是样本的类别值。从树的根结点出发，将测试条件用于检验记录，根据测试结果选择适当的分支，沿着该分支或者达到另一个内部结点，使用新的测试条件或者达到一个叶结点，叶结点的类称号就被赋值给该检验记录。决策树的每个分支要么是一个新的决策节点，要么是树的结尾，称为叶子。在沿着决策树从上到下遍历的过程中，在每个节点都会遇到一个问题，对每个节点上问题的不同回答导致不同的分支，最后会到达一个叶子节点。这个过程就是利用决策树进行分类的过程。决策树算法能从一个或多个的预测变量中，针对类别因变量，预测出个例的趋势变化关系。CHAD，CART，ID3，4.5，SPRINT，SLIQ(如数据库、人工智能、统计学、数据仓库、在线分析处理、专家系统、数据可视化、高性能计算等)研究者的广泛注意．而作为一个新兴学科，它也是由上述众多学科相互交叉、融合而形成的．随着数据挖掘技术的进一步发展，必然会带给用户更大的利益．