什么是数据挖掘——学习资料.doc

PAGE PAGE 32 什么是数据挖掘 　　数据挖掘，在人工智能领域，习惯上又称为数据库中的 HYPERLINK /view/77853.htm \t _blank 知识发现(Knowledge Discovery in Database, KDD)， 也有人把数据挖掘视为数据库中知识发现过程的一个基本步骤。知识发现过程由以下三个阶段组成：（1）数据准备，（2）数据挖掘，（3）结果表达和解释。数据挖掘可以与用户或知识库交互。 　　并非所有的信息发现任务都被视为数据挖掘。例如，使用 HYPERLINK /view/600155.htm \t _blank 数据库管理系统查找个别的记录，或通过 HYPERLINK /view/1706.htm \t _blank 因特网的搜索引擎查找特定的Web页面，则是信息检索（information retrieval）领域的任务。虽然这些任务是重要的，可能涉及使用复杂的算法和 HYPERLINK /view/9900.htm \t _blank 数据结构，但是它们主要依赖传统的 HYPERLINK /view/92404.htm \t _blank 计算机科学技术和数据的明显特征来创建索引结构，从而有效地组织和检索信息。尽管如此， HYPERLINK /view/49979.htm \t _blank 数据挖掘技术也已用来增强 HYPERLINK /view/665140.htm \t _blank 信息检索系统的能力。 数据挖掘的起源 　　需要是发明之母。近年来，数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量数据，可以广泛使用，并且迫切需要将这些数据转换成有用的信息和知识。获取的信息和知识可以广泛用于各种应用，包括 HYPERLINK /view/646051.htm \t _blank 商务管理，生产控制，市场分析，工程设计和科学探索等。 　　数据挖掘利用了来自如下一些领域的思想：(1) 来自统计学的抽样、估计和假设检验，(2) HYPERLINK /view/2949.htm \t _blank 人工智能、 HYPERLINK /view/14685.htm \t _blank 模式识别和 HYPERLINK /view/7956.htm \t _blank 机器学习的 HYPERLINK /view/3688332.htm \t _blank 搜索算法、建模技术和 HYPERLINK /view/588169.htm \t _blank 学习理论。数据挖掘也迅速地接纳了来自其他领域的思想，这些领域包括最优化、进化计算、 HYPERLINK /view/15076.htm \t _blank 信息论、信号处理、可视化和信息检索。一些其他领域也起到重要的支撑作用。特别地，需要 HYPERLINK /view/7809.htm \t _blank 数据库系统提供有效的存储、索引和查询处理支持。源于高性能（并行）计算的技术在处理海量 HYPERLINK /view/262162.htm \t _blank 数据集方面常常是重要的。分布式技术也能帮助处理 HYPERLINK /view/125910.htm \t _blank 海量数据，并且当数据不能集中到一起处理时更是至关重要。 HYPERLINK /view/7893.html 数据挖掘能做什么 　　1)数据挖掘能做以下七种不同事情（分析方法）：　 · 分类 （Classification） 　　· 估计（Estimation） 　　· 预测（Prediction） 　　· 相关性分组或 HYPERLINK /view/1076817.htm \t _blank 关联规则（Affinity grouping or association rules） 　　· 聚类（Clustering） 　　· 描述和可视化（Description and Visualization） 　　· 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等) 　　2)数据挖掘分类 　　以上七种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘 　　· 直接数据挖掘 　　目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以理解成数据库中表的属性，即列）进行描述。 　　· 间接数据挖掘 　　目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系 。 　　· 分类、估值、预言属于直接数据挖掘；后三种属于间接数据挖掘 　　3)各种分析方法的简介 　　· 分类 （Classification） 　　首先从数据中选出已经分好类的训练集，在该训练集