最终版数据挖掘导论.pptVIP

* （例子：保险公司客户流失。p9） 通过数据挖掘，人们可以预测未来趋势及行为，做出基于知识的决策；或是从数据库中发现隐含的、有意义的知识，主要有六类功能。 (1) 概念描述 (2) 关联 (3) 聚类 (4) 分类 (5) 预测 (6) 偏差的检测 课件 (1) 概念描述　　概念描述就是对某类对象的内涵进行描述，并概括这类对象的有关特征。概念描述分为特征性描述和区别性描述，前者描述某类对象的共同特征，后者描述不同类对象之间的区别。对大数据集总体情况的概述。例如： 对电脑的销售数据集：基本上为奔三以上兼容机 对于学校教师数据集：基本上讲师占大多数 课件 (2) 关联　　数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。例如：每天买啤酒的人也有可能购买香烟，比重有多大，可以通过关联的支持度和可信度来描述。 关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。 以零售业为例，体育用品商场通过对销售数据进行关联分析通常可以发现这些数据中常常隐含形式如下的规律——“购买篮球的顾客中有70%的人同时购买运动服，所有交易中有40%的人同时购买篮球和篮球运动服” 等等。  课件 (3) 聚类　 数据库中的记录可被化分为一系列有意义的子集，即聚类。例如：将申请人分为高度风险申请者、中度风险申请者、低度风险申请者。聚类增强了人们对客观现实的认识，是概念描述和偏差分析的先决条件。 聚类技术主要包括传统的模式识别方法和数学分类学。80年代初，Mchalski提出了概念聚类技术，其要点是，在划分对象时不仅考虑对象之间的距离，还要求划分出的类具有某种内涵描述，从而避免了传统技术的某些片面性。例如：市场销售: 帮助市场人员发现客户中的不同群体，然后用这些知识来开展一个目标明确的市场计划；保险公司: 对购买了汽车保险的客户，标识那些有较高平均赔偿成本的客户； 课件 (4)分类 按照分析对象的属性、特征，建立不同组来描述事物。例如银行部门根据以前的数据将客户分成了不同类别，现在就可以根据这些来区分新申请贷款的客户，以采取相应的贷款方案。 例如：把客户分为高风险客户和低风险客户 课件 (5) 预测　　把握分析对象的发展规律，对未来的趋势做出预见。数据挖掘自动在大型数据库中寻找预测性数据，以往需要进行大量手工分析的问题如今可以迅速直接由数据本身得出结论。 一个典型的例子：市场预测问题。数据挖掘使用过去有关促销的数据来寻找未来投资中回报最大的用户，其它可预测的问题包括预报破产以及认定对指定事件最可能作出反应的群体。(例如，股票。从报表等预测其不久破产) 课件 (6) 偏差的检测　　数据库中的数据常有一些异常记录，从数据库中检测这些偏差很有意义。例如：在银行的100万笔交易中有500例的欺诈行为，银行为了稳健经营，就要发现这500例的内在因素，减少以后经营的风险。（如开始几次额度不大，信誉很好，突然一次额度很大） 偏差包括很多潜在的知识，如分类中的反常实例、不满足规则的特例、观测结果与模型预测值的偏差、量值随时间的变化等。偏差检测的基本方法是，寻找观测结果与参照值之间有意义的差别。 课件 数据挖掘的各项功能不是独立存在的，在数据挖掘中相互联系，发挥作用。 课件 课件 电信 ：流失 银行：聚类（细分）, 交叉销售 百货公司/超市：购物篮分析 （关联规则） 保险：细分，交叉销售，流失（原因分析） 信用卡： 欺诈探测，细分 电子商务： 网站日志分析（提问） 税务部门：偷漏税行为探测 警察机关：犯罪行为分析 医学： 医疗保健 课件 英国电信需要发布一种新的产品，需要通过直邮的方式向客户推荐这种产品。。。。。。 使直邮的回应率提高了100％ 电信 课件 GUS日用品零售商店需要准确的预测未来的商品销售量，降低库存成本。。。。。。 通过数据挖掘的方法使库存成本比原来减少了3.8% 零售商店 课件 美国国内税务局需要提高对纳税人的服务水平。。。。。。 合理安排税务官的工作，为纳税人提供更迅捷、更准确的服务 税务局 课件 金融事务需要搜集和处理大量的数据，由于银行在金融领域的地位、工作性质、业务特点以及激烈的市场竞争决定了它对信息化、电子化比其它领域有更迫切的要求。利用数据挖掘技术可以帮助银行产品开发部门描述客户以往的需求趋势，并预测未来。美国商业银行是发达国家商业银行的典范，许多地方值得我国学习和借鉴。 （美国的老大地位） 课件 美国银行家协会(ABA)预测数据仓库和数据挖掘技术