《数据挖掘综述》ppt课件

《《数据挖掘综述》ppt课件》由会员分享，可在线阅读，更多相关《《数据挖掘综述》ppt课件（51页珍藏版）》请在金锄头文库上搜索。

1、数据挖掘综述,北京师范大学数学学院,1 数据挖掘技术的由来,1.1 网络技术的高度发展 1.2 数据爆炸但知识贫乏 1.3 支持数据挖掘技术的基础 1.4 从商业数据到商业信息的进化,1.2 数据爆炸但知识贫乏,激增的数据背后隐藏着许多重要的信息，人们希望能够对其进行更高层次的分析，以便更好地利用这些数据。 目前的数据库系统可以高效地实现数据的录入、查询、统计等功能，但无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。,1.3 支持数据挖掘技术的技术基础,海量数据搜集 强大的多处理器计算机 数据挖掘算法,1.4 从商业数据到商业信息的进化,2 数据挖掘的定义,2.1 技术上

2、的定义 2.2 商业角度的定义 2.3 数据挖掘与传统分析方法的区别,2.1数据挖掘在技术上的定义,数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。,数据源必须是真实的、大量的、含噪声的；发现的是用户感兴趣的知识；发现的知识要可接受、可理解、可运用；,原始数据可以是结构化，如关系数据库中的数据；也可以是半结构化的，如文本、图形和图像数据；甚至是分布在网络上的异构型数据。 发现知识的方法可以是数学的，也可以是非数学的；可以是演绎的，也可以是归纳的。 发现的知识可以被用于信息管理

3、，查询优化，决策支持和过程控制等，还可以用于数据自身的维护。,2.2 商业角度定义,数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。,按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。,2.3 数据挖掘与传统分析方法的区别,数据挖掘与传统的数据分析(如查询、报表、联机应用分析)的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识. 数据挖掘所得到的信息应具有先未知,有效和可实用三个特征.,3 数据挖掘的研究历

4、史和现状,3.1 研究历史 3.2 国内现状 3.3 业界现状 3.4 出版物及工具,3.1 研究历史,3.2 国内现状,1993年国家自然科学基金首次支持我们对该领域的研究项目。目前，国内的许多科研单位和高等院校竞相开展知识发现的基础理论及其应用研究，这些单位包括清华大学、中科院计算技术研究所、空军第三研究所、海军装备论证中心等。其中，北京系统工程研究所对模糊方法在知识发现中的应用进行了较深入的研究，北京大学也在开展对数据立方体代数的研究，华中理工大学、复旦大学、浙江大学、中国科技大学、中科院数学研究所、吉林大学等单位开展了对关联规则开采算法的优化和改造；南京大学、四川联合大学和上海交通大学

5、等单位探讨、研究了非结构化数据的知识发现以及Web数据挖掘。,3.3 业内现状,最近，业内的一次高级技术调查将数据挖掘和人工智能列为“未来三到五年内将对工业产生深远影响的五大关键技术”之首，并且还将并行处理体系和数据挖掘列为未来五年内投资焦点的十大新兴技术前两位。,3.4 出版物及工具,有不少KDD电子出版物，其中以半月刊Knowledge Discovery Nuggets最为权威。在网上还有许多自由论坛，如DM Email Club等。至于DMKD书籍，可以在任意一家计算机书店找到十多本。 目前，世界上比较有影响的典型数据挖掘系统有：SAS公司的Enterprise Miner、IBM公司

6、的Intelligent Miner、SGI公司的SetMiner、SPSS公司的Clementine、Sybase公司的Warehouse Studio、RuleQuest Research公司的See5、还有CoverStory、EXPLORA、Knowledge Discovery Workbench、DBMiner、Quest等。还可以访问http:/.网站，该网站提供了许多数据挖掘系统和工具的性能测试报告。,4. 数据挖掘研究的内容,目前DMKD的主要研究内容包括： 基础理论、发现算法、数据仓库、可视化技术、定性定量互换模型、知识表示方法、发现知识的维护和再利用、半结构化和非结构化数

7、据中的知识发现以及网上数据挖掘等。,数据挖掘所发现的知识最常见的有以下几类：,4.1 广义知识 (Generalization) 4.2 关联知识 (Association) 4.3 分类知识(Classification & Clustering) 4.4 预测型知识(Prediction) 4.5 偏差型知识(Deviation),4.1 广义知识（Generalization）,广义知识指类别特征的概括性描述知识。根据数据的微观特性发现其表征的、带有普遍性的、较高层次概念的知识，反映同类事物共同性质，是对数据的概括、精炼和抽象。,广义知识的发现方法和实现技术有很多，如数据立方体、面向属性

8、的归约等。 数据立方体 : 基本思想是实现某些常用的代价较高的聚集函数的计算，诸如计数、求和、平均、最大值等，并将这些实现视图储存在多维数据库中。 面向属性的归约方法: 基本思想是收集数据库中的相关数据集，然后在相关数据集上应用一系列数据推广技术进行数据推广，包括属性删除、概念树提升、属性阈值控制、计数及其他聚集函数传播等。,4.2 关联知识(Association),它反映一个事件和其他事件之间依赖或关联的知识。 如果两项或多项属性之间存在关联，那么其中一项的属性值就可以依据其他属性值进行预测。 最为著名的关联规则发现方法是R.Agrawal提出的Apriori算法。,关联规则的发现可分为两

9、步： 第一步是迭代识别所有的频繁项目集，要求频繁项目集的支持率不低于用户设定的最低值； 第二步是从频繁项目集中构造可信度不低于用户设定的最低值的规则。,分类知识(ClassificationClustering),分类知识反映同类事物共同性质的特征型知识和不同事物之间的差异型特征知识。 最为典型的分类方法是基于决策树的分类方法。它是从实例集中构造决策树，是一种有指导的学习方法。,数据分类还有统计、粗糙集（Rough Set）等方法。线性回归和线性辨别分析是典型的统计模型。 为降低决策树生成代价，人们还提出了一种区间分类器。最近也有人研究使用神经网络方法在数据库中进行分类和规则提取。,4.4 预

10、测型知识（Prediction）,预测知识根据时间序列型数据，由历史的和当前的数据去推测未来的数据，也可以认为是以时间为关键属性的关联知识。 时间序列预测方法有经典的统计方法、神经网络和机器学习等。,4.5偏差型知识(Deviation),偏差型知识是对差异和极端特例的描述，揭示事物偏离常规的异常现象，如标准类外的特例，数据聚类外的离群值等。,5 数据挖掘的功能,5.1 自动预测趋势和行为 5.2 关联分析 5.3 聚类 5.4 概念描述 5.5 偏差检测,5.1 自动预测趋势和行为,数据挖掘自动在大型数据库中寻找预测性信息，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。

11、一个典型的例子是市场预测问题，数据挖掘使用过去有关促销A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。,5.2 关联分析,关联分析的目的是找出数据库中隐藏的关联网。 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。 关联可分为简单关联、时序关联、因果关联。 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。,5.3 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。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。,

12、5.4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。生成一个类的特征性描述只涉及该类对象中所有对象的共性。生成区别性描述的方法很多，如决策树方法、遗传算法等。,5.5偏差检测,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。 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。,6 数据挖掘常用技术,6.1 人工神经网络 6.2 决策树 6

13、.3 遗传算法 6.4 近邻算法 6.5 规则推导,6.1 人工神经网络,优点1: 为解决大复杂度问题提供了一种相对来说比较有效的简单方法。神经网络可以很容易的解决具有上百个参数的问题。 优点 2：很容易在并行计算机上实现，可以把他的节点分配到不同的CPU上并行计算。,在使用神经网络时的几点注意,神经网络很难解释，目前还没有能对神经网络做出显而易见解释的方法学。 神经网络会过度学习，在训练神经网络时一定要恰当的使用一些能严格衡量神经网络的方法，如测试集方法和交叉验证法等。这主要是由于神经网络太灵活、可变参数太多，如果给足够的时间，他几乎可以“记住”任何事情。,在使用神经网络时的几点注意,除非问

14、题非常简单，训练一个神经网络可能需要相当可观的时间才能完成。当然，一旦神经网络建立好了，在用它做预测时运行时还是很快得。 建立神经网络需要做的数据准备工作量很大。,6.2 决策树,决策树是应用最广的归纳推理算法之一。它提供了一种获取分类规则的方法。,决策树的基本组成部分：根节点、分支和叶节点。,决策树很擅长处理非数值型数据，这与神经网络只能处理数值型数据比起来，就免去了很多数据预处理工作。 甚至有些决策树算法专为处理非数值型数据而设计。,6.3遗传算法,基于进化理论，并采用遗传结合、遗传变异、以及自然选择等设计方法的优化技术。,7 数据挖掘的主要流程（四个阶段）,系统的数据挖掘过程是一个不断循

15、环、优化的过程。,数据挖掘各阶段的工作量,Data Mining牵涉大量的规划与准备，专家声称高达80%的过程花在准备数据阶段。 确定业务对象 数据准备 模式发现 模式评估与解释,8 数据挖掘未来研究方向及热点,8.1 数据挖掘未来研究方向 8.2 数据挖掘热点 8.2.1 网站的数据挖掘 8.2.2 生物信息或基因的数据挖掘 8.2.3 文本的数据挖掘,8.1 数据挖掘未来研究方向,发现语言的形式化描述，即研究专门用于知识发现的数据挖掘语言。 寻求数据挖掘过程中的可视化方法，使知识发现的过程能够被用户理解，也便于在知识发现的过程中进行人机交互。 研究在网络环境下的数据挖掘技术特别是在因特网上

16、建立DMKD服务器，并且与数据库服务器配合，实现Web Mining。,加强对各种非结构化数据的开采 ，如对文本数据、图形数据、视频图像数据、声音数据乃至综合多媒体数据的开采。 知识的维护更新。,9 数据挖掘的应用,数据挖掘解决的典型商业问题 需要强调的是，数据挖掘技术从一开始就是面向应用的。目前，在很多领域，数据挖掘(data mining)都是一个很时髦的词，尤其是在如银行、电信、保险、交通、零售（如超级市场）等商业领域。数据挖掘所能解决的典型商业问题包括：数据库营销（Database Marketing）、客户群体划分（Customer Segmentation & Classification）、背景分析（Profile Analysis）、交叉销售（Cross-selling）等市场分析行为，以及客户流失性分析(Churn Analysis)、客户信用记分(Credit Scoring)、欺诈发现(Fraud Detection)等等。,数据挖掘在市场营销的应用