空间知识管理.pptVIP

空間知識管理 第六講?? 新知識產生方法介紹及知識挖掘（DataMining） 本章重點 1.新知識產生的方法類別 2.知識挖掘方法的意義 3.知識挖掘與KDD（資料庫中知識發現）的關連性 4.知識挖掘的應用現況 5.知識挖掘的方法類別 6.CART系統之介紹 7.相關教材 1）CART參考文件 2）網上之DataMining文章 新知識產生的方法類別 1.語意網 是一種物件認知的描述，其中有特性之辨認 （pattern recognition）、分類、關係確認（或 找出關係）等知識產生活動。 1）特性辨認：又分特徵量測與抽取，及特徵比對（統計或結構相似比對） 新知識產生的方法類別 2）分類：又分類別形成（unsupervised）、類別特徵形成（category feature）及類別判釋（classification）。 新知識產生的方法類別 A.分類形成：可用Clustering、Analysis、Category、Iterative growing等方法來執行。 新知識產生的方法類別 B.類別特徵形成：用統計方法或特徵空間分割（segmentation）、無母數回歸（non-parametic regression）或類神經網（NN）方式進行。 新知識產生的方法類別 C.類別判釋：運用統計特徵進行最小距、平行桿法或最大相似法分類。用特徵分隔線（或面）來以準則（Rule）分層分割純化類別，或以無母數回歸推算目標變數之類別數（Category ID）。 新知識產生的方法類別 3）關係確認（或找出關係）：是透過視覺化工具或盲目比測（blind searching）特定物件之特性元素（因子）間的關連性（可為一物件之兩特性因子，或兩物件間特性因子之關連），可以統計關連分析為之。關連性推算前可能要將相關連之因子做前處理（如Log），才易找出簡易之線性之關連性。 新知識產生的方法類別 2.法則 是前置狀況與結果間之推理關連性之發覺，是透 過歸納案件（cases）來完成，即同一類前置狀 況產生同一結果，可以少一結果來反推在何狀況 可形成此結果，再加以分群成相同前置條件（狀 況）群組。 新知識產生的方法類別 3.公式關連 特定物件之特性（屬性，應變數，dependent variable）可由其他因子（自變數，Independent variable）經統計回歸式或理論或形成公式推算， 統計或案例回歸式來形成外顯公式，而類神經網 則適合形成非純性隱式關連式。 新知識產生的方法類別 4.程序 程序不易自動產生，若程序中之作業單元的前置 必要條件可以外顯，則可以法則式形成啟動作業 之指述，及其產生之狀態完成，來串連作業的先 後執行次序，沒有其他作業產生結果狀況為前置 狀況者，即為一啟始作業，若有多個啟始作業， 則可形成獨立的平行作業程序，若前置狀況相同， 而作業不同，則亦啟動了兩條平行作業的次程序 單元。 新知識產生的方法類別 法則內隱含程式，啟始條件決定作業之執行先後 A.法則 B.程序 知識挖掘（DataMining）之含意 1.知識挖掘之定義 由案例庫或資料庫中發掘知識或知識元素的過程， 為更大範圍之“知識發掘於資料庫及知識學習”中的 一部份。 2.知識挖掘主要方法與技術基礎，其主要分析方法包含： 1）分類（資料庫分割（Database Segmentation）） 2）關連或預測模型（迴歸及時間趨勢（時間趨勢）） 3）連接分析（Link Analysis） 4）偏差偵測（Deviation Detection）等，其中可運 用除歸納外的Fuzzy Theory、遺傳演算法（Genetic Algorithm）、Rough Set、Neural Network等技術， 更加速了Data Mining之發展。 知識挖掘（DataMining）之含意 3.知識挖掘在KMS中之角色 其在資料倉儲及線上服務上有許多應用，當然是一綜合 KMS中重要的高附加價值功能的一環，可運用整理較完 成之案例庫或資料庫，協助人們更快速的產生新知識， 其可產生最後知識的中間產品或元素，或知識之起點 （如假設），已知關連中的更精準之陳述，或可能因子 關連中找出其強弱，或過程不必要之因子，或提供視覺 化提供人類易於找到關連趨勢或分類群組。 知識挖掘（DataMining）之含意 其中關連是知識中十分重要的連接陳述 1）語意網中之關連 物件中有“包含”不同屬性及次物件，行為及“關連”描述， 物件間之關連中常見者有分類中常見有分類歸屬（is-a）， 給（has-a）等。 2）法則中的關連 法則的前題狀況（Condition），與結論狀態（Conclusion 間是推理關係。 3）程序的關連 作業與作業間的關連是“前後次序”的關係，亦是啟