数据挖掘的一种新颖算法.docxVIP

数据挖掘的一种新颖算法 文章对神经网络的数据挖掘方法进行了详细的研究， 包括数 据挖掘的工作流程、 神经网络的基本概念和结构、 实现的关键技 术以及神经网络的应用，验证了算法的有效性和高效率性。 数据挖掘技术是一个年轻且充满希望的研究领域， 商业利益 的强大驱动力将会不停地促进它的发展． 每年都有新的数据挖掘 方法和模型问世，人们对它的研究正日益广泛和深入。 神经网络技术近来在各领域得到广泛应用 , 它通过对训练集 的反复学习获取知识 , 具有直观性、并行性和抗噪性。数据挖掘 就是从大型数据库的数据中提取人们感兴趣的知识， 这些知识是 隐含的，提取知识表示为概念、规则、规律、模式等形式。在数 据挖掘过程中， 人们并不知道要发现的知识， 而由计算机对原始 材料进行分析， 将那些人们不曾拥有的知识发掘出来， 这是一个 知识发现的过程。即将 KDD中进行知识学习的阶段成为数据挖 掘。 神经网络的概念和结构 人工神经网络由大量的处理单元 （人工神经单元、 处理元件、 电子元件、光电元件 ） 经广泛互连而成的人工网络，用来模拟神 经系统的结构功能。 在构造人工神经网络时， 首先应该考虑的问 题是如何构造神经元。 在对生物神经元的结构、 特性进行深入研 究的基础上，心理学家麦克洛奇和数理逻辑学家皮滋于 1943 年 首先提出了一个简化的神经元模型， 称为M-P模型，如图2所示: 在图 1 中，圆表示神经元的细胞体； 表示外部输入，对应 于生物神经元的树突， 为兴奋性突触连接， 为抑制性突触连接； 表示神经元兴奋的阀值； 表示输出，它对应于生物神经元的轴 突。M-P模型确实在结构及其功能上反映了生物神经元的特征。 但是，M-P模型对抑制性输入赋予了 否决权，只有当不存在抑 制性输入，且兴奋性输入的总和超过阀值时，神经元才会兴奋。 在M-P模型的基础上，根据需要又发展了其他一些模型， 目前常 用的模型如图 3 所示。在图 2 中 为该神经元的输入， 为该神经 元分别与各输入之间的连接强度，称为连接权重； 为该神经元 的阀值； 为外部输入的控制信号，它可以用来调整神经元的连 接权值，使神经元保持在某一状态； 为神经元的输出。由此结 构可以看出， 神经元一般是一个具有多个输入但只有一个输出的 非线性器件。 神经网络的模型 网络模型是人工神经网络研究的一个重要方面， 目前已经成 为开发出了多种不同的模型 。BP模型是一种用于前向多层神经 网络的反传学习算法。 BP 网络结构 BP算法用于多层网络结构。网络中不仅有输入结点、输出 结点，而且有一层或多层隐节点，如图 3: BP 网络结构算法 BP算法的学习过程是由正向传播与反向传播组成的。正向 传播用于网络计算， 对某一输入求出它的输出； 反向传播用于逐 层传递误差，修改连接权值，使网络能进行正确计算。一旦网络 经过训练用于求解现实问题， 则就只需正向传播， 不需要再进行 反向传播。具体算法： ⑴ 从训练样例集中取一样例，把输入信息输入到网络中。 ⑵ 由网络分别计算各层节点的输出。 ⑶ 计算网络的实际输出与期望输出的误差。 ⑷ 从输出层反向计算到第一个隐层，按一定原则向减小误 差方向调整网络的各个连接权值。 ⑸ 对训练样例集中的每一个样例重复以上步骤，直到对整 个训练样例集误差达到要求时为止。 神经网络的应用 图 4 是一个预测贷款拖欠情况的神经元网络图。 圆圈表示节 点，圆圈之间的连线表示连接。 神经元网络从左边的节点获得预 测属性值，对于这些值进行计算后，在最右边的节点产生新值， 最右节点的值表示神经元网络模型做出的预测。 在这里， 神经网 络把年龄和收入作为输入的预测属性， 预测一个人是否会拖欠银 行贷款。进行预测中，神经元网络从输入节点获得预测属性的值， 这些值称为节点的值。 节点与连接中存储的值相乘， 得到的值在 最右节点相加， 再进行指定的阈值运算， 得到的数值就是预测值。 如果得的值是零， 则认为这条记录的信用风险较低 （无拖欠情况 发生）；如果得到的值为 1，就认为这条记录的信用风险较高 （很 可能拖欠贷款）。 对图 4 的计算进行标准化，得到如图 5 的结果。年龄 47被 标准化到 0.0 和 1.0 之间，变成 0.47 ，而收入值被标准化为 0.65 ， 这时，神经网络做出的预测是，收入为 6500 元，年龄为 47 岁的 顾客是否会拖欠贷款，连接权值分别为 0.7 和 0.1 ，节点值与连 接权值相乘后得到的结果为 0.39 。经过训练后的网络用输出 1.0 表示拖欠，输出 0.0 表示不拖欠。这里得到的输出值 0.39 更接 近于 0.0 ，因此对这条记录做出的预测是不拖欠的。 4. 结束语 数据挖掘只是一个工具 , 不是万能的。数据挖掘的成功 , 要求 对期望解决问题的领