空间数据挖掘总汇.pptVIP

* * 约 翰 · 斯 诺 的 霍 乱 地 图 什么是空间数据挖掘？ 数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。是数据库知识发现（Knowledge-Discovery in Databases，简称：KDD)中的一个步骤 空间数据挖掘也称为基于空间数据库的数据挖掘，作为数据挖掘的一个分支，是指从空间数据库中提取用户感兴趣的空间模式与特征、空间与非空间数据的普遍关系及其它一些隐含在数据库中普遍的数据特征。 为什么要进行空间数据挖掘？ 由于雷达、红外、光电、卫星、电视摄像、电子显微成像、CT成像等各种宏观与微观传感器的使用，空间数据的数量、大小、复杂性都在飞快地增长，已经远远超出了人的解译能力。终端用户不可能详细地分析所有的这些数据，并提取感兴趣的空间知识，致使出现“空间数据爆炸但知识贫乏”，因此，利用空间数据挖掘和知识发现尤为重要了。 空间数据挖掘有哪些方法呢？ 统计分析方法 (Statistical Analysis Approach) 聚类方法 (Clustering Approach)和分类方法 (Classification Approach) 空间分析方法 (Spatial Analysis Approach) 空间关联规则挖掘方法 (Spatial Association Rule Mining Approach) 数据可视化方法 (Data Visualization Approach) 空间特征和趋势探侧(Characterization and Trend Detection)方法 统计分析方法 着重于空间物体和现象的非空间特性的分析。在运用统计方法进行数据挖掘时，一般并不将数据的空间特性作为限制因子加以考虑，空间数据所描述的事物的具体空间位置在这类挖掘中也并不起制约作用。与一般的数据挖掘并无本质的差别，但其挖掘后发现的结果都是以地图形式来描述的，对发现结果的解释也必然要依托地理空间进行，挖掘的结果揭示和反映的必然是空间规律。统计方法的最大缺点是要假设空间分布数据具有统计不相关性。这在实际应用中会出现问题，因为很多空间数据是相互关联的 聚类方法和分类方法 聚类是按一定的距离或相似性系数将数据分成一系列相互区分的组，根据定义可以把其分为四类：基于层次的聚类方法；分区聚类算法；基于密度的聚类算法；网格的聚类算法。常用的经典聚类方法有K-mean，K-medoids，ISODATA等。 分类就是假定数据库中的每个对象(在关系数据库中对象是元组)属于一个预先给定的类，从而将数据库中的数据分配到给定的类中，简单的讲就是f:D→L，其中f的域D是属性数据的空间，L是标号的集合。 分类和聚类都是对目标进行空间划分，划分的标准是类内差别最小而类间差别最大。分类和聚类的区别在于分类事先知道类别数和各类的典型特征，而聚类则事先不知道。 空间分析方法 利用GIS的各种空间分析模型和空间操作对空间数据库中的数据进行深加工，从而产生新的信息和知识。目前常用的空间分析方法有综合属性数据分析、拓扑分析、缓冲区分析、密度分析、距离分析、叠置分析、网络分析、地形分析、趋势面分析、预测分析等，可发现目标在空间上的相连、相邻和共生等关联规则，或发现目标之间的最短路径、最优路径等辅助决策的知识。空间分析方法常作为预处理和特征提取方法与其它数据挖掘方法结合使用。 空间关联规则挖掘方法 挖掘关联规则首先由Agrawal等提出，主要是从超级市场销售事务数据库中发现顾客购买多种商品时的搭配规律。最著名的关联规则挖掘算法是Agrawal提出的Apriori算法，其主要思路是统计多种商品在一次购买中共同出现的频数，然后将出现频数多的搭配转换为关联规则。 啤酒与尿布。全球零售业巨头沃尔玛在对消费者购物行为分析时发现，男性顾客在购买婴儿尿片时，常常会顺便搭配几瓶啤酒来犒劳自己，于是尝试推出了将啤酒和尿布摆在一起的促销手段。没想到这个举措居然使尿布和啤酒的销量都大幅增加了。 数据可视化方法 为了了解数据之间的相互关系及发展趋势，人们可以求助于可视化技术。海量的数据只有通过可视化技术变成图形或图像，才能激发人的形象思维—— 从表面上看来是杂乱无章的海量数据中找出其中隐藏的规律。数据可视化技术将大量数据以多种形式表示出来，帮助人们寻找数据中的结构、特征、模式、趋势、异常现象或相关关系等。从这个角度讲，数据可视化技术不仅仅是一种计算方法，更是看见不可见事物或现象的一种重要手段和方法。 数据可视化方法 为了了解数据之间的相互关系及发展趋势，人们可以求助于可视化技术。海量的数据只有通过可视化技术变成图形或图像，才能激发人的形象思维—— 从表面上看来是杂乱无章的海量数据中找出其中隐藏的规律。数据可视化技术将大量数据以多种形式表示出来，帮助人们寻找