数据挖掘技术及的应用探析.docVIP

数据挖掘技术及的应用探析 　　【摘要】随着科学技术的发展，人类社会开始逐渐实现信息化，但是，信息量的急剧增长使得人们很难辨别信息是否有用，而数据挖掘技术正是采用统计学原理和人工智能等方式对海量信息进行处理，从中实现知识发现的有效手段。本文针对数据挖掘的概念以及常用的数据挖掘技术进行了分析，并探讨了数据挖掘技术的应用领域。 　　【关键词】数据挖掘技术应用 　　【中图分类号】TP311【文献标识码】A【文章编号】1006－9682（2012）05－0109－02 　　 　　在现今的网络信息时代，各种形式的信息大量产生，为了适应信息处理的新需求所发展起来的一种新信息分析技术，也就是数据挖掘技术，它主要是利用某些特定的知识发现算法，在一定的运算效率的限制内，从数据库中发现有关的知识。 　　一、数据挖掘的定义及其常用模式 　　1．数据挖掘的基本概念 　　从本质上来讲，数据挖掘指通过应用一系列的技术从大量的、模糊的以及随机的实际应用数据中，提取人们感兴趣的潜在有用的并且隐含于其中的信息和知识。它涵括了统计学、数据库、人工智能以及模式识别等学科，通常情况下，数据挖掘的对象被称之为数据库。从更广泛的意义上来讲，数据挖掘就是在一些事实或观察数据的集合中寻找模式；从原则上来讲，数据挖掘可以在任何类型的信息存储上进行。数据挖掘不仅仅是一门新兴的学科，也是一种新的商业信息处理技术，可以对商业数据库中的大量业务进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。换言之，数据挖掘可以被理解为一种深层次的数据分析方法。从商业的角度，也可以将数据挖掘描述成为是按企业制定的业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。 　　2．数据挖掘的常用模式 　　从功能的角度来划分，可将数据挖掘的模式分为预测型模式和描述型模式两大类。预测型模式指根据数据项值的精确度来确定一些结果的模式，所使用的数据也都是非常明确的；而描述型模式是根据数据的相似性将数据进行分组，或者对数据中存在的规则进行描述。 　　但在一些实际应用中，根据数据模式的作用对数据挖掘的模式进行划分。首先是分类模式。数据挖掘的分类模式是一个分类函数，它可以将数据库中较为集中的数据项映射到相关的指定分类上。其次是时间列序模式，主要是根据数据的时间变化的趋势对将来进行预测。再次是回归模式，与分类模式相似，但不同于后者，其预测值是连续的。另外，还有关联模式，也是数据挖掘技术的核心模式，也是在各行各业中应用较广泛的模式，其主要是对指定的一组项目和记录集合进行分析，推导出项目之间的相关性。最后还有一种是聚类模式，主要是把数据划分到差别较大的各组中，其不同于分类模式，数据挖掘的聚类模式对将要划分的组的类别与数量并不了解。 　　二、数据挖掘技术的常用方法 　　1．决策树方式 　　决策树技术是一种常见的预测模型的算法，是对分类问题进行深入分析的一种方法，主要用于数据挖掘的分类和预测，它按照一系列规则将大量数据有目的地进行分类，从中获取一些有价值的、潜在的信息，预测出个例的趋势变化关系等。决策树算法的主要优势是描述简单、分类速度快以及易于理解并且精度较高，尤其适用于大规模数据的处理，在知识发现系统中应用较广。 　　2．神经网络 　　在数据挖掘中，神经网络是模拟人类形象的直觉思维，以人脑为基础的抽象模型，利用生物的神经网络的特点，并通过简化、归纳以及提炼总结对网络数据进行处理，神经网络方法的突出优势是能够并行对数据进行处理，同时也可以构建非线性的模型，模型的准确度高，具有良好的推广性，同时，对于未知的输入也能够得出精确的输出，接受不同种类的变量作为输入，可应用的领域非常广泛，模型建构能力强，因此，神经网络方法也具有模糊推论能力，允许输出输入变量具有一定的模糊性。 　　3．粗糙集 　　现今，日渐成熟的关系数据库管理系统和新发展起来的数据仓库管理系统，都为粗糙集的数据挖掘提供了必要的前提条件。粗糙集理论主要是一种能够有效地分析和处理不精确、不完整等各种不完备的信息的数学工具，并从中发现隐含的知识，揭示潜在的规律，其处理的对象通常是类似于二维关系表的信息表，简而言之，基于粗糙集的数据挖掘算法实际上就是对大量数据构成的信息系统进行约简，得到一种属性归约集的过程，最后抽取一系列的规则。 　　4．遗传运算方法 　　由于数据挖掘技术就是从大量数据中提取人们感兴趣的信息，并且这些信息是潜在的、事先未知的有用的知识，从某种程度上讲可以将数据挖掘看成是知识的搜索问题。而遗传运算的方法主要是一种生物自然选择与遗传机理的随机搜索为基础的算法。搜索空间及时数据库或者数据仓库，搜索策略便是挖掘算法。通过在数据挖掘技术中，应用遗传