第5章节数据开采技术.pptVIP

第5章数据开采技术 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 数据库中知识发现（knowledge discovery in database,KDD）一词首先出现在1989年8月在美国底特律召开的第11届国际人工智能会议（The 11th International Joint Conference on AI）。1999年，亚太地区在北京召开了第三届PAKDD会议，收到158篇论文，电子工程师学会（Institute of Electrical and Electronic Engineers,IEEE)的《Knowledge and Data Engineering》会刊率先在1993年出版了KDD技术专刊。并行计算、计算机网络和信息工程等其他领域的国际学会、学刊也把数据挖掘和知识发现列为专题讨论，甚至到了脍炙人口的程度。到目前为止，由美国人工智能协会主办的KDD国际研讨会已召开了多次，规模由原来的专题讨论会发展到国际学术大会；研究重点逐渐从发现方法的研究转向实际的系统应用，注重发现多种策略和技术的集成，以及多种学科之间的渗透。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 国内： Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 数据开采（data mining),又译作数据挖掘、数据采掘，还有的译成数据发掘。一种比较公认的数据开采定义是W.J.Frawley、G.Piatetsky、Shapiro 等人提出的： 数据开采就是从大型数据库的数据中提取人们感兴趣的知识。这些知识是隐含的、事先未知的潜在有用信息，提取的知识表示为概念(concepts)、规则(rules)、规律(regularities)、模式（patterns）等形式。 这种定义把数据开采的对象定义为数据库。而更广义的说法是，数据开采意味着在一些事实或观察数据的集合中寻找模式的决策支持过程。数据开采的对象不仅是数据库，也可以是文件系统，或其他任何组织在一起的数据集合，例如WWW信息资源。 与知识发现的区别：数据开采的任务是发现可以理解的知识， 而机器学习关心的是提高系统的性能，因此训练神经网络来控制一 根倒立棒是一种机器学习过程，但不是数据开采；数据开采的对象 是大型的数据库，一般来说机器学习处理的数据集要小得多，因此 效率问题对数据开采是至关重要的 。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 数据开采处于影响空间中， 从中可以看出数据开采在整个决策支持中所处的重要地位。 决策支持空间 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slide