数据挖掘挖掘频繁模式关联和相关参考.pptVIP

第九章 数据挖掘的应用和发展趋势 9.1 复杂数据对象的多维分析和描述性挖掘 9.2 空间数据挖掘 9.3 多媒体数据挖掘 9.4 时序数据和序列数据的挖掘 9.5 文本数据库挖掘 9.6 Web挖掘 9.1 复杂数据对象的多维分析和描述性挖掘 结构化数据的概化 空间和多媒体数据概化中的聚集和近似计算 对象标识符和类/子类层次的概化 类复合层次的概化 对象立方体的构造与挖掘 用分而治之方法对规划数据库进行基于概化的挖掘 9.2 空间数据挖掘 空间数据立方体构造和空间OLAP 空间关联分析 空间聚类方法 空间分类和空间趋势分析 光栅数据库挖掘 9.3 多媒体数据挖掘 多媒体数据的相似性搜索 基于颜色直方图的特征标识；多特征构成的特征标识；基于小波的特征标识；带有区域粒度的小波特征表识 多媒体数据的多维分析 多媒体数据的分类和预测分析 多媒体数据中的关联规则挖掘 9.4 时序数据和序列数据的挖掘 趋势分析 长期或趋势变化；循环变动或循环变化； 季节性变动或季节性变化；非规则或随机变化 时序分析中的相似搜索 序列模式挖掘 周期分析 挖掘全周期模式；挖掘部分周期模式； 挖掘循环或周期关联规则。 9.5 文本数据库挖掘 文本数据分析和信息检索 研究大量文本文档的信息组织和检索 基本度量：查准率；查全率。 文本挖掘：基于关键字的关联和文档分类 9.6 Web挖掘 挖掘Web链接结构，识别权威Web页面 Web文档的自动分类 多层Web信息库的构造 Web使用记录的挖掘 第十章 数据挖掘的应用和发展趋势 10.1 数据挖掘的应用 10.2 数据挖掘系统产品和研究原型 10.3 数据挖掘的其他主题 10.4 数据挖掘的社会影响 10.5 数据挖掘的发展趋势 10.1 数据挖掘的应用 针对生物医学和DNA数据分析的数据挖掘 针对金融数据分析的数据挖掘 零售业中的数据挖掘 电信业中的数据挖掘 10.2 数据挖掘系统产品和研究原型 怎样选择一个数据挖掘系统 数据类型；系统问题；数据源；数据挖掘的功能和方法；数据挖掘系统和数据仓库系统的结合；可伸缩性；可视化工具；数据挖掘查询语言和图形用户接口。 商用数据挖掘系统的例子 Intelligent Miner: IBM Enterprise Miner :SAS; MineSet SGI; Clementine SPSS; DBMiner DBMiner Technology 10.3 数据挖掘的其他主题 可视化数据挖掘 数据可视化；数据挖掘结果可视化；数据挖掘过程可视化；交互式的数据挖掘 视频和音频数据挖掘 科学和统计数据挖掘 数据挖掘的理论基础 数据挖掘和智能查询应答 例10.1 10.4 数据挖掘的社会影响 数据挖掘是宣传出来的还是持久的稳定增长的商业 数据挖掘只是经理的事还是每个人的事 数据挖掘对隐私或数据安全构成威胁么？ 10.5 数据挖掘的发展趋势 应用的探索 可伸缩的数据挖掘方法 数据挖掘与数据库系统、数据仓库系统和WEB数据库系统的集成 数据挖掘语言的标准化 可视化数据挖掘 复杂数据类型挖掘的新方法 WEB挖掘 数据挖掘中的隐私保护与数据信息安全 Chapter 8. 聚类分析 什么是聚类分析? 聚类分析中的数据类型 主要聚类分析方法分类 划分方法（Partitioning Methods） 分层方法 基于密度的方法 基于表格的方法 基于模型（Model-Based）的聚类方法 异常分析 总结 划分方法: 基本概念 划分方法: 将一个包含n个数据对象的数据库组织成k个划分（k=n），其中每个划分代表一个簇（Cluster）。 给定一个k，要构造出k个簇，并满足采用的划分准则： 全局最优:尽可能的列举所有的划分； 启发式方法: k-平均和k-中心点算法 k-平均 (MacQueen’67):由簇的中心来代表簇； k-中心点或 PAM (Partition around medoids) (Kaufman Rousseeuw’87): 每个簇由簇中的某个数据对象来代表。 K-平均算法 给定k，算法的处理流程如下: 1.随机的把所有对象分配到k个非空的簇中； 2.计算每个簇的平均值，并用该平均值代表相应的簇； 3.将每个对象根据其与各个簇中心的距离，重新分配到与它最近的簇中； 4.回到第二步，直到不再有新的分配发生。 K-平均算法 例子 K-平均算法 优点 相对高效的: 算法复杂度O(tkn), 其中n 是数据对象的个数, k 是簇的个数, t是迭代的次数，通常k, t n. 算法通常终止于局部最优解； 缺点 只有当平均值有意义的情况下才能使用，对于类别字段不适用； 必须事先给定要生