空间建模与空间决策支持课件.pptVIP

數據挖掘涉及的學科領域和方法很多，有多種分類法。根據知識發現任務，可分為分類或預測模型發現、數據總結、聚類、關聯規則發現、序列模式發現、依賴關係或依賴模型發現、異常和趨勢發現等等；根據知識發現對象，可分為關係資料庫、面向對象資料庫、空間資料庫、時間資料庫、文本數據源、多媒體資料庫、異質數據庫、Web資料庫；4．數據倉庫與空間數據挖掘根據知識發現方法，可粗分為機器學習方法、統計方法、神經網路方法和數據庫方法。機器學習中，可細分為歸納學習方法(決策樹、規則歸納等)、基於範例學習、遺傳演算法等。統計方法中，可細分為回歸分析(多元回歸、自回歸等)、判別分析(貝葉斯判別、費歇爾判別、非參數判別等)、聚類分析(系統聚類、動態聚類等)、探索性分析(主元分析法、相關分析法等)等。神經網路方法中，可細分為前向神經網路(BP演算法等)、自組織神經網路(自組織特徵映射、競爭學習等)等。4．數據倉庫與空間數據挖掘4．3空間數據挖掘空間數據是與佔有一定空間的對象有關的數據，空間資料庫是通過空間數據類型和空間關係存儲和管理空間數據。空間數據通常具有拓撲和距離資訊，通過空間索引進行組織和查詢。空間數據特有的性質給空間資料庫的知識發現提出了挑戰和機遇。空間資料庫的知識發現或空間數據挖掘，可以定義為從空間資料庫中提取隱含的知識、和沒有直接存儲的空間關係、空間模式的過程。4．數據倉庫與空間數據挖掘空間數據挖掘技術，特別是空間數據理解、空間和非空間數據關係發現、空間知識庫構造、空間資料庫的查詢優化和數據組織，在GIS、遙感、影象資料庫、機器人運動等涉及空間數據的應用系統中很有前景。4．數據倉庫與空間數據挖掘下麵簡要介紹目前空間數據挖掘使用的一些方法：1）統計分析方法目前空間數據分析最常用的方法是統計分析方法。統計分析非常適合處理數值型數據，統計分析方法多年來積累了大量的演算法，可以用於對空間現象建模和分析。4．數據倉庫與空間數據挖掘2）基於概括的方法基於概括的方法是一種面向屬性的歸納學習方法，用於空間數據挖掘，可將空間和非空間屬性的關係概括成高層次的概念知識。它需要背景知識，即概念層次體系，常以概念樹的形式給出。如圖10-14所示的是一個農業土地利用的概念樹。同樣地，空間數據也存在類似地概念層次，如鄉鎮——縣市——省——國家。4．數據倉庫與空間數據挖掘面向屬性的歸納學習方法，通過概念樹攀升而得到概括的數據，概括的數據可直接轉換成規則或邏輯運算式，可用於發現普遍特徵規則和區劃規則。圖10-14：概括歸納示例4．數據倉庫與空間數據挖掘基於概括的方法一般有以非空間數據為主的概括和以空間數據為主的概括兩種演算法。這兩種演算法的第一步都是選取用戶特定的查詢數據。接下來，非空間數據為主的概括演算法過程是：（A）概念樹攀升，即將元組的屬性變為高層次的屬性；（B）屬性刪除，刪除那些不可能概括的特殊屬性值；（C）合併標識後的元組。歸納過程直到所有的屬性概括到合適的層次為止。最後將概括後屬性值相同的相鄰區域合併，結果得到一幅概念層次較高的、而區域較少的圖。4．數據倉庫與空間數據挖掘3）聚類方法聚類分析是統計分析的一個分支，這種方法的主要優點是不需要背景知識，可以直接從數據中發現感興趣的結構或聚類模式，類似於機器學習中的非監督學習。聚類分析與面向屬性歸納推理結合，為描述相似對象的空間行為提供了可能，或用於判定不同類別的特徵。同樣可分為以空間數據為主和以非空間數據為主兩種方法。4．數據倉庫與空間數據挖掘以空間數據為主的方法，首先通過基於採樣的高效的聚類演算法將與任務有關的空間對象（如點）分類，接著對非空間數據使用面向屬性歸納推理方法，提取描述各類一般屬性。以非空間數據為主的方法，首先將與任務有關的空間對象概括到較高的概念層次，進行聚類分析，然後將空間對象進行合併處理。4．數據倉庫與空間數據挖掘4）空間關聯規則方法關聯規則的提出源於交易數據集中發現商品之間隱含的相互依賴關係。如果在超市的資料庫中發現的一條規則，形式為“W?B（C%）”，規則的含義是“如果交易中出現了W模式，就有C%的可能性（可信度）出現B交易模式”。例如規則“牛奶?黃油（90%）”，表明有90%的買牛奶的顧客會同時買黃油，這就是關聯規則。它同樣可用於發現空間關係。4．數據倉庫與空間數據挖掘關聯規則的發現可以分解成以下兩個子問題：（4．1）找出資料庫S中所有滿足用戶指定最小支持度的對象集P（一個非空子集），具有最小支持度的對象集稱為頻繁對象集，反之就稱為非頻繁對象集。（4．2）利用頻繁對象集生成所需要的關聯規則。對於每一個頻繁對象集P，找出P的所有非空子集Q，如果比率/≥最小可信