数据仓库与数据挖掘基础第2章OLAP赵志升2015修改.pptVIP

第四节 基于数据仓库的数据挖掘 1 、 数据仓库的使用 数据仓库的三种应用： ? 信息处理 ? 分析处理 ? 数据挖掘 第四节 基于数据仓库的数据挖掘 1 、 数据仓库的使用 信息处理 ：支持查询和基本的统计分析，并 使用交叉表、表、图表或图进行报告。数据仓库 信息处理的当前趋势是构造低成本的基于 Web 的 存取工具，然后与 Web 浏览器集成在一起。 第四节 基于数据仓库的数据挖掘 1 、 数据仓库的使用 分析处理 ：支持基本的 OLAP 操作，包括切 片与切块、下钻、上卷和转轴。一般在汇总的和 细节的历史数据上操作，它支持数据仓库的多维 数据分析。 第四节 基于数据仓库的数据挖掘 1 、 数据仓库的使用 数据挖掘 ：支持知识发现，包括找出隐藏的 模式和关联，构造分析模型，进行分类和预测， 并用可视化工具提供挖掘结果。 数据挖掘不限于分析数据仓库中的数据，比 OLAP 更自动化，更深入，应用更广。 第四节 基于数据仓库的数据挖掘 2 、 从 OLAP 到 OLAM OLAM 联机分析挖掘将联机分析处理与数据 挖掘以及多维数据库中的发现知识集成在一起。 ? 数据仓库中的数据高质量 ? 环绕数据仓库的有价值的信息处理基础设施 ? 基于 OLAP 的探测式数据分析 ? 数据挖掘功能的联机选择 4.2 多维数据模型上的 OLAP 操作： 4 、 多维数据模型上的 OLAP 操作： 有钻取（ Drill-up 和 Drill-down ）、切片（ Slice ）和切块（ Dice ）、以及旋转（ Pivot ）等。 钻取： 是改变维的层次，变换分析的粒度。它包括向下钻取（ Drill- down ）和向上钻取（ Drill-up ） / 上卷 (Roll-up) 。 Drill-up 是在某一维上 将低层次的细节数据概括到高层次的汇总数据，或者减少维数；而 Drill- down 则相反，它从汇总数据深入到细节数据进行观察或增加新维。 切片和切块 ： 是在一部分维上选定值后，关心度量数据在剩余维上的分 布。如果剩余的维只有两个，则是切片；如果有三个或以上，则是切块。 旋转： 是变换维的方向，即在表格中重新安排维的放置（例如行列互换）。 OLAM 产生的原因 ? 另一方面，数据挖掘虽然可以使用复杂算法来分析数据和创建模型表 示有关数据的信息，用户也不必提出确切的要求，系统就能够根据数 据本身的规律性，自动地挖掘数据潜在的模式，或通过联想，建立新 的业务模型以辅助决策。但它也存在一些缺点 : ? 1) DM 是挖掘型分析工具，是由数据驱动的。用户需要事先提出挖 掘任务。但对于用户来讲，很多时候预先是不知道想挖掘什么样的知 识的。 2) 由于数据库或数据仓库中存有大量数据和信息，用户仅仅指出挖 掘任务，而不提供其他搜索线索，这样 DM 工具就会遍历整个数据库， 导致搜索空间太大。计算机将处于长时间的工作，而且结果中可能会 生成很多无用信息。 3) 即使挖掘出了潜在有价值的信息，但它究竟用来做什么分析用， 用户也可能不清楚。 ? ? OLAM 产生 ? 两种技术各存在不足，但同时也可以相辅相成。如果将 OLAP 同 DM 配合集成， 一方面 OLAP 的分析结果给 DM 提供挖掘的依据，引导 DM 的进行 ; 另一方面，在数据挖掘的结果中进行 OLAP 分析，则 OLAP 分析的深度就可拓展。这样用户就可以灵活选择 所需的数据挖掘功能，并动态交换挖掘任务，在数据仓 库的基础上提供更有效的决策支持。 鉴于 OLAP 与 DM 技术在决策分析中的这种互补性， 促成了 OLAM 技术的形成。 ? ? ? 发展 olam 的原始驱动力有以下几点： （ 1 ） data mining 工具需要的数据是一些经过净化、集成处理的数 据，通常这种处理过程也是昂贵的；而 dw （ data warehouse ，数据仓 库）作为 olap 的数据源，存储的就是这样的数据。它能为 olap 提供数据， 当然也可以为 dm 提供数据。 （ 2 ） dm 是一项崭新的技术，很多人在研究它。围绕着它有许多工具 或是体系结构。而 dm 作为数据分析工具的一种，不是孤立的，必然要与 其他的工具发生联系。因此，考虑到如何最大限度地利用这些现成的工 具，也是 olam 发展之初所关心的问题。 （ 3 ）成功的数据挖掘需要对数据进行钻探性（ exporatory ）分析。 例如，挖掘所需的数据可能只是一部分、一定范围的数据。因此，对多 维数据模型的切片、切块、下钻等操作，同样可以应用于 dm 的过程中。 也就是说，可以将 dm 建立在多维模型（或说超级立方体）的基础之上。 （ 4 ）用户的参与对 dm 非常重要，它动态地提出挖掘要求，选择挖掘 算法。故可以将 olap 的