数据挖掘认识及其在高校就业工作中分析.docVIP

数据挖掘认识及其在高校就业工作中分析 　　摘要：随着信息化建设的不断深入，各类数据、信息急剧增长。如何对大量数据进行深入分析和利用，并从中发现有用的知识，已成为信息化社会面临的重要问题。数据挖掘就是从大量数据中提取或“挖掘”知识，从而实现“数据一信息一知识”的过程。 　　关键词：数据挖掘；知识发现 　　中图分类号：TP311；TP183文献标识码：A文章编号：1009-3044(2008)24-1239-02 　　Data Mining Understanding and in University Employment Work Analysis 　　YANG Shu-qing 　　(Jiangxi University of Science and Technology,Information Engineering Institute,Applied Science Institute,Ganzhou 341000,China) 　　Abstract:Along with informationization construction unceasingly thorough, Each kind of data, information rapid rise. How to carry on the thorough analysis and the use to the mass data and discovers the useful knowledge has become the important question which the informationization society faces. The data mining is withdraws or “the excavation” from the mass data the knowledge, thus realizes “data- information- knowledge” process. 　　Key words:data mining; knowledge discovery 　　 　　1 引言 　　 　　随着信息化建设的不断深入，数据库技术被广泛应用于商业管理、政府办公、科学研究和工程开发等领域，人们积累的数据越来越多，激增的数据资源背后隐藏着众多重要的信息。人们希望能够对其进行更高层次的分析，以便更好地利用这些数据。但是，目前已有的数据分析工具很难满足人们对数据进行深层次分析的需要，数据处理的效率也很低。如何从大量的数据中提取有用的知识，就成为当务之急。在这种情况下，人们引入了数据挖掘的思想，通过它预测未来的趋势和行为，作出超前的、基于知识的决策。即通过数据挖掘在“数据矿山”中找到蕴藏的“知识金块”，充分地提高信息利用率。 　　 　　2 数据挖掘概述 　　 　　简单的说，数据挖掘就是指从大量数据中提取或挖掘“知识”。[1] 数据挖掘的前身即知识发现，其实质的内涵是在一个已知状态的数据集上，通过设定一定的学习算法，从数据集中获取所谓的知识。用数据库管理系统来存储数据，用机器学习的方法来分析数据、挖掘大量数据背后的知识，这两者的结合促成了数据库中的知识发现的产生。 　　 　　3 数据挖掘的功能 　　 　　数据挖掘功能用于指定数据挖掘任务要找的模式类型。一般而言，数据挖掘任务可以分为两类：描述和预测。描述性挖掘任务描述数据库中数据的一般性质。预测性挖掘任务对当前数据进行推断，以作出预测。数据挖掘功能以及它们可以发现的模式类型如下。 　　（1）概念/类描述：特征化和区分 　　概念描述就是对某类对象的内涵进行描述，并概括这类对象的有关特征。概念描述分为特征性描述和区别性描述，前者描述某类对象的共同特征，后者描述不同类对象之间的区别。生成一个类的特征性描述只涉及该类对象中所有对象的共性。生成区别性描述的方法很多，如决策树方法、遗传算法等。 　　（2）关联分析 　　关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。 　　（3）聚类 　　数据库中的记录可被化分为一系列有意义的子集，即聚类。聚类技术主要包括传统的模式识别方法和数学分类学。80年代初，Mchalski提出了概念聚类技术其要点是，在划分对象时不仅考虑对象之间的距离，还要求划分出的类具有某种内涵描述，从而避免了传统技术的某些片面性。 　　（4）偏差检测 　　数据库中的数据常有一些异常记录，从数据库中检测这些偏差很有意义。偏差包括很多潜在的知识，如分类中的反常实例、不满足规则的特例、观测结果与模型预测值的偏差、量值随时间的变化等。偏差检测的