动态数据挖掘在物联网中的应用.pdf

动态数据挖掘在物联网中的应用 陈圣兵 邮箱：luck_2u@163.com 计科系软件教研室 引例 身边的数据挖掘  淘宝网 引例 身边的数据挖掘  优酷 引例 身边的数据挖掘  超市  数据挖掘无处不在  未来（软件）系统的核心竞争在于智能化， 为管理者提供决策支持，提供用户提供个性 化服务。 数据挖掘的概念  数据挖掘(Data Mining) 是从大量的数据中，提取隐含在其 中的、潜在有用的信息和知识的过程，又称知识发现 (Knowledge Discovery in Database, KDD)。  DM的任务： • 关联分析 ：找出隐藏的某些属性间的联系 • 聚类：按相似性将数据归类 • 分类：找出类别的特征，将数据分类 • 预测：分析出数据的变化规律，并据此对未来数据进行预测。 关联分析：关联规则挖掘  关联规则反映一个事物与其他事物之间的相互依存 性和关联性。如果两个或者多个事物之间存在一定 的关联关系，那么，其中一个事物就能够通过其他 事物预测到。  示例: bread, milk fruit “买面包和牛奶的人也会买水果” 关联分析：关联规则挖掘  商家对关联规则的利用 bread, milk fruit “买面包和牛奶的人也会买水果”  把牛奶和面包作特价品以使更多的人买水果  把水果和牛奶、面包放在一起增加水果销量  把水果放在远离牛奶、面包的地方，增加其他商品 的销量 关联分析的应用  有没有更多的商品具有相关性？如何寻找这 些相关性？  频繁模式: 数据中频繁出现的模式(项集,序 列,等等) Apriori算法：使用或选项集找出频繁项集 频繁1-项集 频繁2-项集 … 频繁n-项集 关联规则的度量  规则 AB  支持度s：同时包含A和B的事务的百分率 || {T D | A B T} || s(A B) || D ||  可信度c：包含A 的事务中也包含B的百分率 || {T D | A B T} || c(A B) || {T D | A T } || The Apriori Algorithm—An Example  假设有数据如下： Tid Items 10 A, C, D 20 B, C, E 30 A, B, C, E 40 B, E The Apriori Algorithm—An Example Itemset sup Database TDB