[管理学]知识发现与数据挖掘.pptVIP

知识发现的步骤 数据准备? 数据选择：目标数据 数据预处理：消除噪声、不一致、冗余等 数据变换：连续数据离散化、数据转化 数据归约：特征选择或抽取 数据挖掘时，需要 明确任务如数据总结、分类、聚类、关联规则发现、序列模式发现等。 考虑用户的知识需求（得到描述性的知识、预测型的知识）。 根据具体的数据集合，选取有效的挖掘算法。 数据预处理 为什么要预处理数据？ 数据清理 数据集成 数据变换 数据归约 数据离散化 为什么需要数据预处理 ? 在现实社会中，存在着大量的“脏”数据 不完整性（数据结构的设计人员、数据采集设备和数据录入人员） 缺少感兴趣的属性 感兴趣的属性缺少部分属性值 仅仅包含聚合数据，没有详细数据 噪音数据（采集数据的设备、数据录入人员、数据传输） 数据中包含错误的信息 存在着部分偏离期望值的孤立点 不一致性（数据结构的设计人员、数据录入人员） 数据结构的不一致性 Label的不一致性 数据值的不一致性 为什么需要数据预处理 ? 数据挖掘的数据源可能是多个互相独立的数据源 关系数据库 多维数据库（Data Cube） 文件、文档数据库 数据转换 为了数据挖掘的方便 海量数据的处理 数据归约（在获得相同或者相似结果的前提下） 为什么需要数据预处理？ 没有高质量的数据，就没有高质量的挖掘结果 高质量的决策必须基于高质量的数据基础上 数据仓库是在高质量数据上的集成 数据预处理的主要任务 数据清理 填入缺失数据 平滑噪音数据 确认和去除孤立点 解决不一致性 数据集成 多个数据库、Data Cube和文件系统的集成 数据转换 规范化、聚集等 数据归约 在可能获得相同或相似结果的前提下，对数据的容量进行有效的缩减 数据离散化 对于一个特定的连续属性，尤其是连续的数字属性，可以把属性值划分成若干区间，以区间值来代替实际数据值，以减少属性值的个数. 空缺值 数据并不总是完整的 例如：数据库表中，很多条记录的对应字段没有相应值，比如销售表中的顾客收入 引起空缺值的原因 设备异常 与其他已有数据不一致而被删除 因为误解而没有被输入的数据 在输入时，有些数据应为得不到重视而没有被输入 对数据的改变没有进行日志记载 空缺值要经过推断而补上 如何处理空缺值 忽略元组：当类标号缺少时通常这么做（假定挖掘任务设计分类或描述），当每个属性缺少值的百分比变化很大时，它的效果非常差。 人工填写空缺值：工作量大，可行性低 使用一个全局变量填充空缺值：比如使用unknown或-∞ 使用属性的平均值填充空缺值 使用与给定元组属同一类的所有样本的平均值 使用最可能的值填充空缺值：使用像Bayesian公式或判定树这样的基于推断的方法 噪声数据 噪声：一个测量变量中的随机错误或偏差 引起不正确属性值的原因 数据收集工具的问题 数据输入错误 数据传输错误 技术限制 命名规则的不一致 其它需要数据清理的数据问题 重复记录 不完整的数据 不一致的数据 如何处理噪声数据 分箱(binning): 首先排序数据，并将他们分到等深的箱中 然后可以按箱的平均值平滑、按箱中值平滑、按箱的边界平滑等等 聚类： 监测并且去除孤立点 计算机和人工检查结合 计算机检测可疑数据，然后对它们进行人工判断 回归 通过让数据适应回归函数来平滑数据 数据集成 数据集成： 将多个数据源中的数据整合到一个一致的存储中 模式集成： 整合不同数据源中的元数据 实体识别问题：匹配来自不同数据源的现实世界的实体，比如：A.cust-id=B.customer_no 检测并解决数据值的冲突 对现实世界中的同一实体，来自不同数据源的属性值可能是不同的 可能的原因：不同的数据表示，不同的度量等等 处理数据集成中的冗余数据 集成多个数据库时，经常会出现冗余数据 同一属性在不同的数据库中会有不同的字段名 一个属性可以由另外一个表导出，如“年薪” 有些冗余可以被相关分析检测到 仔细将多个数据源中的数据集成起来，能够减少或避免结果数据中的冗余与不一致性，从而可以提高挖掘的速度和质量。 数据变换 平滑：去除数据中的噪声 （分箱、聚类、回归） 聚集：汇总，数据立方体的构建 数据概化：沿概念分层向上汇总 规范化：将数据按比例缩放，使之落入一个小的特定区间 属性构造 通过现有属性构造新的属性，并添加到属性集中；以增加对高维数据的结构的理解和精确度 数据归约的提出 在数据仓库中可能保存TB级的数据，大数据量的数据挖掘，可能需要大量的时间来完成整个数据的数据挖掘。 数据归约 在可能获得相同或相似结果的前提下，对数据的容量进行有效的缩减 数据归约的方法 数据立方体聚集：聚集操作作用于立方体中的数据 数据归约的提出 减少数据维度（维归约）：可以检测并删除不相关、弱相关或者冗余的属性或维 数据压缩：使用编码机制压缩数据集 数