数据挖掘研究现状及发展趋势.pdfVIP

数据挖掘研究现状及发展趋势

数据挖掘研究现状及发展趋势

摘要：从数据挖掘的定义出发，介绍了数据挖掘的神经网络法、决策树法、遗传算法、粗

糙集法、模糊集法和关联规则法等概念及其各自的优缺点；详细总结了国内外数据挖掘的研究

现状及研究热点，指出了数据挖掘的发展趋势.

关键词:数据挖掘;挖掘算法；神经网络；决策树；粗糙集；模糊集；研究现状;发展趋势

Abstract：Fromthedefinitionofdatamining，thepaperintroducedconceptsand

advantagesanddisadvantagesofneuralnetworkalgorithm，decisiontreealgorithm，

geneticalgorithm，roughsetmethod，fuzzysetmethodandassociationrulemethodof

datamining，summarizeddomesticandinternationalresearchsituationandfocusofdata

miningindetails，andpointedoutthedevelopmenttrendofdatamining.

Keywords:datamining，algorithmofdatamining，neuralnetwork，decisiontree，

roughset，fuzzyset，researchsituation，developmenttendency

1引言

随着信息技术的迅猛发展，许多行业如商业、企业、科研机构和政府部门等都积累了海量

[1］

的、不同形式存储的数据资料。这些海量数据中往往隐含着各种各样有用的信息,仅仅依靠数

据库的查询检索机制和统计学方法很难获得这些信息，迫切需要能自动地、智能地将待处理的

数据转化为有价值的信息，从而达到为决策服务的目的。在这种情况下，一个新的技术———

数据挖掘（DataMining，DM）技术应运而生[2］.

数据挖掘是一个多学科领域，它融合了数据库技术、人工智能、机器学习、统计学、知识

工程、信息检索等最新技术的研究成果，其应用非常广泛。只要是有分析价值的数据库，都可

以利用数据挖掘工具来挖掘有用的信息.数据挖掘典型的应用领域包括市场、工业生产、金融、

医学、科学研究、工程诊断等。本文主要介绍数据挖掘的主要算法及其各自的优缺点，并对国

江西理工大学

0

数据挖掘研究现状及发展趋势

内外的研究现状及研究热点进行了详细的总结，最后指出其发展趋势及问题所在。

2数据挖掘算法

数据挖掘就是从大量的、有噪声的、不完全的、模糊的、随机的实际应用数据中提取有效

［3］

的、新颖的、潜在有用的知识的非平凡过程。数据挖掘过程如图1所示.这些数据的类型可以

是结构化的、半结构化的、甚至是异构型的。发现知识的方法可以是数学的、非数学的、也可

以是归纳的。最终被发现了的知识可以用于信息管理、查询优化、决策支持及数据自身的维护

[4]

等.

数据数据目标数据预处理预处理数据选择转换数据转换模式解释知识

开采评价

图1数据挖掘过程

目前，数据挖掘的算法主要包括神经网络法、决策树法、遗传算法、粗糙集法、模糊集法、

关联规则法等。

2.1神经网络法

神经网络法是模拟生物神经系统的结构和功能,是一种通过训练来学习的非线性预测模型，

可完成分类、聚类、特征挖掘等多种数据挖掘任务。神经网络的学