数据挖掘原理 法及应用第1章 绪论.pptVIP

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
数据挖掘原理 法及应用第1章 绪论

1.1 数据挖掘的概念和定义   数据挖掘(Date Mining)是近年来随着人工智能和数据库技术的发展而出现的一门新兴技术。它是从大量的数据中筛选出有效的、 可信的以及隐含信息的高级处理过程。   数据挖掘包含丰富的内涵, 是一个多学科交叉的研究领域。 仅从从事研究和开发的人员来说, 其涉及范围之广是其他领域所难以企及的, 既有大学里的专门研究人员, 也有商业公司的专家和技术人员。 研究背景的不同会使他们从不同的角度来看待数据挖掘的概念。 因此, 理解数据挖掘的概念不是简单地下个定义就能解决的问题。 1.2 数据挖掘的历史及发展   数据挖掘可以看做是信息技术自然演化的结果。 像其他新技术的发展历程一样, 数据挖掘也必须经过概念提出、 概念接受、 广泛研究和探索、 逐步应用和大量应用等阶段。 从目前的现状看, 大部分学者认为数据挖掘的研究仍然处于广泛研究和探索阶段。 1.3 数据挖掘的研究内容及功能 1.3.1 数据挖掘的研究内容   目前, 数据挖掘的主要研究内容包括基础理论、 发现算法、 数据仓库、 可视化技术、 定性定量互换模型、 知识表示方法、 发现知识的维护和再利用、 半结构化和非结构化数据中的知识发现以及网上数据挖掘。    数据挖掘所发现的知识最常见的有以下五类。 1.4 数据挖掘的常用技术及工具   数据挖掘是从人工智能领域的一个分支——机器学习发展而来的, 因此机器学习、 模式识别、 人工智能领域的常规技术, 如聚类、 决策树、 统计等方法经过改进, 大都可以应用于数据挖掘。 数据挖掘的常用技术有决策树、 规则发现、 神经网络、 贝叶斯网络、 关联规则、 聚类、 可视化、 文本/Web挖掘等。 近年来, 神经网络、 贝叶斯网络、 关联规则等技术在数据挖掘中的应用发展很快; 可视化技术受到越来越多的重视; 文本和Web数据的挖掘成为一个新兴的研 究方向。 1.5 数据挖掘的应用热点   就目前来看, 数据挖掘未来的几个应用热点包括网站的数据挖掘、 生物数据挖掘、 文本的数据挖掘、实时数据挖掘以及数据挖掘中的隐私保护和信息安全。   大量的时间序列是非平稳的, 其特征参数和数据分布随着时间的推移而发生变化, 仅仅通过对某段历史数据的训练, 建立单一的神经网络预测模型, 还无法完成准确的预测任务, 为此, 人们提出了统计学和基于精确性的再训练方法, 当发现现存预测模型不再适用于当前数据时, 对模型重新训练, 获得新的权重参数, 建立新的模型。 此外, 有许多系统借助并行算法的计算优势对时间序列 进行预测。   5. 偏差型知识(Deviation)   偏差型知识是指通过分析标准类以外的特例、 数据聚类外的离群值、 实际观测值和系统预测值间的显著差别, 对差异和极端特例进行描述。 所有这些知识都可以在不同的概念层次上被发现, 并随着概念层次的提升, 从微观到中观、 到宏观, 满足不同用户不同层次决策的需要。 1.3.2 数据挖掘的功能   数据挖掘用于在指定数据挖掘任务中找到模式类型。 数据挖掘任务一般可以分两类: 描述和预测。 描述性挖掘任务刻画数据库中数据的一般特性; 预测性挖掘任务在当前数据上进行推测和预测。    用户有时不知道他们的数据中什么类型的模式是有趣的, 因此数据挖掘系统要能够并行地挖掘多种类型的模式, 以适应不同的用户需要或不同的应用。 此外, 数据挖掘系统应当能够发现各种粒度(即不同的抽象层次)的模式。 数据挖掘系统应当允许用户给出提示, 指导或聚焦 有趣模式的搜索。 由于有些模式并非对数据库中的所有数据都成立, 通常每个被发现的模式需要带上一个确定性或“可信性”度量。    数据挖掘的功能主要体现在以下六个方面。   1. 类/概念描述: 特征化和区分   数据可以与类或概念相关联。 一个概念常常是对一个包含大量数据的数据集合总体情况的概述。 对含有大量数据的数据集合进行描述性的总结并获得简明、 准确的描述, 这种描述就称为类/概念描述(Class/Concept Description)。 这种描述可以通过下述方法得到:    (1) 数据特征化, 一般地汇总所研究类(称为目标类(Arget Class))的数据。   (2) 数据区分, 将目标类与一个或多个比较类(常称为对比类(Ontrasting Class))比较。   (3) 数据特征化和比较。    数据特征化(Data Characterization)是目标类数据的一般特征或特性的汇总。 通常, 用户指定类的数据通过数据库查询收集。 例如, 为研究上一年销售增加10%的软件产品的特征, 可以通过执行一个SQL查询收集关于这些产品的数据。    有许多有效的方法可

文档评论(0)

fangsheke66 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档