数据挖掘及其应用.docxVIP

《数据挖掘论文》 数据挖掘分类方法及其应用 课程名称：数据挖掘概念与技术 姓 学  名 号： 指导教师： 数据挖掘分类方法及其应用 作 者： 来  煜 摘要：社会的发展进入了网络信息时代，各种形式的数据海量产生，在这些数据 的背后隐藏这许多重要的信息，如何从这些数据中找出某种规律，发现有用信息， 越来越受到关注。为了适应信息处理新需求和社会发展各方面的迫切需要而发展 起来一种新的信息分析技术，这种局势称为数据挖掘。分类技术是数据挖掘中应 用领域极其广泛的重要技术之一。各种分类算法有其自身的优劣，适合于不同的 领域。目前随着新技术和新领域的不断出现，对分类方法提出了新的要求。 。 关键字：数据挖掘；分类方法；数据分析 ? 引言 数据是知识的源泉。但是，拥有大量的数据与拥有许多有用的知识完全是两 回事。过去几年中，从数据库中发现知识这一领域发展的很快。广阔的市场和研 究利益促使这一领域的飞速发展。计算机技术和数据收集技术的进步使人们可以 从更加广泛的范围和几年前不可想象的速度收集和存储信息。收集数据是为了得 到信息，然而大量的数据本身并不意味信息。尽管现代的数据库技术使我们很容 易存储大量的数据流，但现在还没有一种成熟的技术帮助我们分析、理解并使数 据以可理解的信息表示出来。在过去，我们常用的知识获取方法是由知识工程师 把专家经验知识经过分析、筛选、比较、综合、再提取出知识和规则。然而，由 于知识工程师所拥有知识的有局限性，所以对于获得知识的可信度就应该打个折 扣。目前，传统的知识获取技术面对巨型数据仓库无能为力，数据挖掘技术就应 运而生。 数据的迅速增加与数据分析方法的滞后之间的矛盾越来越突出，人们希望在 2 对已有的大量数据分析的基础上进行科学研究、商业决策或者企业管理，但是目 前所拥有的数据分析工具很难对数据进行深层次的处理，使得人们只能望“数” 兴叹。数据挖掘正是为了解决传统分析方法的不足，并针对大规模数据的分析处 理而出现的。数据挖掘通过在大量数据的基础上对各种学习算法的训练，得到数 据对象间的关系模式，这些模式反映了数据的内在特性，是对数据包含信息的更 高层次的抽象。目前，在需要处理大数据量的科研领域中，数据挖掘受到越来越 多的关注，同时，在实际问题中，大量成功运用数据挖掘的实例说明了数据挖掘 对科学研究具有很大的促进作用。数据挖掘可以帮助人们对大规模数据进行高效 的分析处理，以节约时间，将更多的精力投入到更高层的研究中，从而提高科研 工作的效率。 分类技术是数据挖掘中应用领域极其广泛的重要技术之一。至今已提出了多 种分类算法，主要有决策树、关联规则、神经网络、支持向量机和贝叶斯、k－临 近法、遗传算法、粗糙集以及模糊逻辑技术等。大部分技术都是使用学习算法确 定分类模型，拟合输入数据中样本类别和属性集之间的联系，预测未知样本的类 别。训练算法的主要目标是建立具有好的泛化能力的模型，该模型能够准确地预 测未知样本的类别。 1．数据挖掘概述 数据挖掘又称 数 据库中的知识发现，是目前人工智能和 数 据 库领域研究的热 点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并 有潜在价值的信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于 人 工 智 能、机器学习、 模 式 识 别、统计学、 数 据 库、可视化技术等，高度 自 动 化地 分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整 市场策略，减少风险，做出正确的决策。 数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数 据准备、规律寻找和规律表示 3 个步骤。数据准备是从相关的数据源中选取所需 的数据并整合成用于数据挖掘的数据集；规律寻找是用某种方法将数据集所含的 规律找出来；规律表示是尽可能以用户可理解的方式（如 可 视 化）将找出的规律 表示出来。 分类技术是数据挖掘中应用领域极其广泛的重要技术之一。各种分类算法有 其自身的优劣，适合于不同的领域。目前随着新技术和新领域的不断出现，对分 类方法提出了新的要求。 2． 数 据 挖 掘 分 类 算 法 介 绍 分类是用于识别什么样的事务属于哪一类的方法，可用于分类的算法有决策 3 树、关联规则、神经网络、支持向量机和贝叶斯、k－临近法、遗传算法、粗糙集 以及模糊逻辑技术等。下面对若干分类问题进行简要分析。 2．1 基于决策树的分类 基于决策树的分类算法是数据挖掘中最为典型的分类算法。决策树是一个类 似于流程图的树结构，其每个内部节点表示在一个属性上的测试，每个分枝代表 一个测试输出，每个叶节点代表类或类分布。 2．1．1 决策树算法基本思想。开始时所有的训练样本在根部，基于最高信息 增益自