数据挖掘的新趋势可视化数据挖掘论文.pdfVIP

第二十届全国计算机信息管理学术研讨会 数据挖掘的新趋势：可视化数据挖掘 北京大学信息管理系 刘波徐学文 (北京市122信箱6分箱，北京，100036) 【摘要】本文通过分析可视化技术与数据挖掘技术的区别与联系，指出了把可视化技术引入数据 挖掘过程产生的优势，同时清晰的指出了数据可视化、传统数据挖掘和可视化数据挖掘的区别。在 分析可视化数据挖掘现状的基础上，从定量和定性的角度，给出了可视化数据挖掘的定义，构建了 可视化数据挖掘的体系结构框架，分析了可视化数据挖掘的发展方向，为进一步研究可视化数据挖 掘打下了基础。 【摘要】数据挖掘，可视化，可视化数据挖掘+ 伴随着信息爆炸的出现，面对浩瀚如烟的信息和数据，为了从大量的数据中提取出对人们的生 活和科技发展有用的信息，各种数据处理方法应运而生。数据挖掘技术则是其中的典型代表，它成 熟的理论方法为发现显性信息背后隐藏的隐性知识提供了强有力的技术依据。然而，美中不足的是 数据挖掘是一门多学科的交义技术，它是在统计学、数据库和人工智能等学科的基础上发展起来的， 数据挖掘算法本身都相当复杂，所以一般的用户难以理解和接受。为弥补数据挖掘算法复杂性的缺 陷，把可视化技术引入到数据挖掘中，由此产生了可视化数据挖掘技术。可视化数据挖掘充分利用 可视化的直观性，从可视化角度分析和理解数据挖掘的全过程，最大限度的弥补了数据挖掘算法复 杂性这一缺陷。 1可视化技术与数据挖掘技术 1．1可视化 各个领域的专家学者从不同的角度给了可视化多种定义，就目前而言，我们很难给可视化一个 统一的定义。当前，关于可视化的定义，比较有代表性的有以下两种。可视化是一种计算和处理的 方法，它将抽象的符号表示成具体的几何关系，使研究者能亲眼看见他们所模拟和计算的结果，使 口技术(Grinstein)12]。 1987年2月，美国国家科学基金会在华盛顿召开了有关科学计算可视化的首次会议，在这次会 议上，以科学计算可视化为名首次提出了可视化的概念。这次会议以后，可视化迅速成为人们研究 的热点，并逐步从科学计算可视化延伸到信息可视化，从单纯的科学计算数据扩展剑其他领域的多 种数据。从1995年以来，在美国和英国分别举行每年一届的信息可视化会议，组织有关专家、学者 专门讨论可视化问题。 虽然可视化的概念于1987才正式被提出，然而事实上可视化并不是一个全新的概念，早在许多 年前，人们已经开始不自觉的使用可视化这种方式理解生活中出现的问题。可视化从被正式提出， 发展到今天，虽然只经历了短短的二十年，但是已经形成较为完善的理论基础。在本文，笔者不打 算花大量的时间具体分析可视化的理论技术，在此只强调一点，可视化充分借鉴了“一图胜千言” 作者简介：刘波，北京大学信息管理系博士生。E-mail：hope—lb@yahoo．corn．ca 241 第二十届伞国计算机信息管理学术研讨会 的思想，借助形象的图形表达抽象的数据，有效的提高了人的认知能力，是～种强有力的信息理解 工具。 1．2数据挖掘 数据挖掘是从大量的数据中挖掘出有用的信息，即从人量的、不完全的、有噪卢的、模糊的、 随机的数据集中发现隐含的、规律性的、人们事先未知的，但又是潜在有用的并且最终可理解的信 息和知识的非平凡过程{3l。它是一门涉及面很广的交叉学科，包括机器学习、数理统计、神经网络、 数据库、模式识别、粗糙集、模糊数学等有关技术。数据挖掘的基本处理过程包括：数据准备、数 据挖掘和结果的解释评估。根据数据挖掘的方法分，可粗分为：机器学习方法、统计方法、神经网 络方法和数据库方法。机器学习方法包括：归纳学习方法(决策树、规则归纳等)、基丁范例的推理 CBR、遗传算法、贝叶斯信念网络等。统计方法包括：同归分析(多元同归、白同归等)、判别分析 (贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析(系统聚类、动态聚类等)、探索性分析(主 元分析法、相关分析法等)、以及模糊集、粗糙集、支持向量机等。神经网络方法包括：前向神经网 络(BP算法等)、白组织神经网络(自组织特征映射、竞争学习等)等。数据库方法主要是基于可 视化的多维数据分析或OLAP方法和面向属性的归纳方法。 1．3可视化与数据挖掘技术的区别与联系 通过表1[3】[4】[51对可视化与数据