《基础学习大数据挖掘知识点》由会员分享，可在线阅读，更多相关《基础学习大数据挖掘知识点（9页珍藏版）》请在金锄头文库上搜索。
1、2018年零基础学习大数据挖掘知识点整理1. 数据、信息和知识是广义数据表现的不同形式。2. 主要知识模式类型有：广义知识，关联知识，类知识，预测型知识，特异型知识挖掘研究的主要流派有：Web结构挖掘、Web使用挖掘、Web内容挖掘4一般地说，KDD是一个多步骤的处理过程，一般分为问题定义、数据抽取、数据预处理、数据挖掘 以及模式评估等基本阶段。5数据库中的知识发现处理过程模型有：阶梯处理过程模型，螺旋处理过程模型，以用户为中心的处 理结构模型，联机KDD模型，支持多数据源多知识模式的KDD处理模型6粗略地说，知识发现软件或工具的发展经历了独立的知识发现软件、横向的知识发现工具集和纵向 的知识
2、发现解决方案三个主要阶段，其中后面两种反映了目前知识发现软件的两个主要发展方向。7决策树分类模型的建立通常分为两个步骤：决策树生成，决策树修剪。8从使用的主要技术上看，可以把分类方法归结为四种类型：a）基于距离的分类方法b）决策树分类方法c）贝叶斯分类方法d）规则归纳方法9关联规则挖掘问题可以划分成两个子问题：a）发现频繁项目集:通过用户给定Minsupport，寻找所有频繁项目集或者最大频繁项目集。b）生成关联规则:通过用户给定Minconfidence，在频繁项目集中，寻找关联规则。10数据挖掘是相关学科充分发展的基础上被提出和发展的，主要的相关技术：数据库等信息技术的发展统计学深入应用人
3、工智能技术的研究和应用11. 衡量关联规则挖掘结果的有效性，应该从多种综合角度来考虑：a 准确性：挖掘出的规则必须反映数据的实际情况。b 实用性：挖掘出的规则必须是简洁可用的。c 新颖性：挖掘出的关联规则可以为用户提供新的有价值信息。12. 约束的常见类型有：单调性约束;反单调性约束;可转变的约束;简洁性约束.13. 根据规则中涉及到的层次，多层次关联规则可以分为： 同层关联规则：如果一个关联规则对应的项目是同一个粒度层次，那么它是同层关联规则。 层间关联规则：如果在不同的粒度层次上考虑问题，那么可能得到的是层间关联规14. 按照聚类分析算法的主要思路，聚类方法可以被归纳为如下几种。 划分法：
4、基于一定标准构建数据的划分。属于该类的聚类方法有：k-means、k-modes、k-prototypes、k-medoids、PAM、CLARA、CLARANS 等。 层次法：对给定数据对象集合进行层次的分解。密度法：基于数据对象的相连密度评价。网格法：将数据空间划分成为有限个单元(Cell)的网格结构，基于网格结构进行聚类。模型法：给每一个簇假定一个模型，然后去寻找能够很好的满足这个模型的数据集。15. 类间距离的度量主要有： 最短距离法：定义两个类中最靠近的两个元素间的距离为类间距离。最长距离法：定义两个类中最远的两个元素间的距离为类间距离。 中心法：定义两类的两个中心间的距离为类间距离
5、。类平均法：它计算两个类中任意两个元素间的距离，并且综合他们为类间距离：离差平方和。16. 层次聚类方法具体可分为： 凝聚的层次聚类：一种自底向上的策略，首先将每个对象作为一个簇，然后合并这些原子簇为越来越 大的簇，直到某个终结条件被满足。分裂的层次聚类：采用自顶向下的策略，它首先将所有对象置于一个簇中，然后逐渐细分为越来越小的簇，直到达到了某个终结条件。层次凝聚的代表是AGNES算法。层次分裂的代表是DIANA算法。17文本挖掘(TD)的方式和目标是多种多样的，基本层次有：关键词检索：最简单的方式，它和传统的搜索技术类似。 挖掘项目关联：聚焦在页面的信息(包括关键词)之间的关联信息挖掘上。信
6、息分类和聚类：利用数据挖掘的分类和聚类技术实现页面的分类，将页面在一个更到层次上进行抽象和整理。自然语言处理：揭示自然语言处理技术中的语义，实现Web内容的更精确处理。18在web访问挖掘中常用的技术：路径分析路径分析最常用的应用是用于判定在一个Web站点中最频繁访问的路径，这样的知识对于一个电子商务网站或者信息安全评估是非常重要的。关联规则发现使用关联规则发现方法可以从Web访问事务集中，找到一般性的关联知识。序列模式发现在时间戳有序的事务集中，序列模式的发现就是指找到那些如“一些项跟随另一个项”这样的内部事务 模式。分类发现分类规则可以给出识别一个特殊群体的公共属性的描述。这种描述可以用于
7、分类新的项。聚类可以从WebUsage数据中聚集出具有相似特性的那些客户。在Web事务日志中，聚类顾客信息或数据 项，就能够便于开发和执行未来的市场战略。19. 根据功能和侧重点不同，数据挖掘语言可以分为三种类型：数据挖掘查询语言：希望以一种像 SQL 这样的数据库查询语言完成数据挖掘的任务。数据挖掘建模语言：对数据挖掘模型进行描述和定义的语言，设计一种标准的数据挖掘建模语言，使 得数据挖掘系统在模型定义和描述方面有标准可以遵循。通用数据挖掘语言：通用数据挖掘语言合并了上述两种语言的特点，既具有定义模型的功能，又能作 为查询语言与数据挖掘系统通信，进行交互式挖掘。通用数据挖掘语言标准化是目前解
8、决数据挖掘行业出 现问题的颇具吸引力的研究方向。20. 规则归纳有四种策略：减法、加法，先加后减、先减后加策略。减法策略：以具体例子为出发点，对例子进行推广或泛化，推广即减除条件（属性值）或减除合取项（为 了方便，我们不考虑增加析取项的推广），使推广后的例子或规则不覆盖任何反例。加法策略：起始假设规则的条件部分为空（永真规则），如果该规则覆盖了反例，则不停地向规则增加条 件或合取项，直到该规则不再覆盖反例。先加后减策略：由于属性间存在相关性，因此可能某个条件的加入会导致前面加入的条件没什么作用， 因此需要减除前面的条件。先减后加策略：道理同先加后减，也是为了处理属性间的相关性。21. 数据挖掘
9、定义有广义和狭义之分。从广义的观点，数据挖掘是从大型数据集（可能是不完全的、有噪声的、不确定性的、各种存储形式的） 中，挖掘隐含在其中的、人们事先不知道的、对决策有用的知识的过程。从这种狭义的观点上，我们可以定义数据挖掘是从特定形式的数据集中提炼知识的过程。挖掘的含义：针对包括Web页面内容、页面之间的结构、用户访问信息、电子商务信息等在内的各种Web 数据，应用数据挖掘方法以帮助人们从因特网中提取知识，为访问者、站点经营者以及包括电子商务 在内的基于因特网的商务活动提供决策支持。近邻分类算法(KNearestNeighbors,简称KNN)的定义：通过计算每个训练数据到待分类元组的距离，取
10、和待分类元组距离最近的K个训练数据，K个数据中哪个类别的训练数据占多数，则待分类元组就属于哪 个类别。算法的性能分析：主要优点：是解决聚类问题的一种经典算法，简单、快速。对处理大数据集，该算法是相对可伸缩和高效率的。当结果簇是密集的，它的效果较好。主要缺点在簇的平均值被定义的情况下才能使用，可能不适用于某些应用。必须事先给出k(要生成的簇的数目)，而且对初值敏感，对于不同的初始值，可能会导致不同结果。不适合于发现非凸面形状的簇或者大小差别很大的簇。而且，它对于“躁声”和孤立点数据是敏感的。算法的性能分析：ID3算法的假设空间包含所有的决策树，它是关于现有属性的有限离散值函数的一个完整空间。所以
11、ID3 算法避免了搜索不完整假设空间的一个主要风险：假设空间可能不包含目标函数。ID3算法在搜索的每一步都使用当前的所有训练样例，大大降低了对个别训练样例错误的敏感性。因此， 通过修改终止准则，可以容易地扩展到处理含有噪声的训练数据。ID3 算法在搜索过程中不进行回溯。所以，它易受无回溯的爬山搜索中的常见风险影响：收敛到局部最 优而不是全局最优。算法有两个致命的性能瓶颈:a 多次扫描事务数据库，需要很大的 I/O 负载对每次k循环，侯选集Ck中的每个元素都必须通过扫描数据库一次来验证其是否加入Lk。假如有一个 频繁大项目集包含10个项的话，那么就至少需要扫描事务数据库10遍。b.可能产生庞大的
12、侯选集由Lk-1产生k-侯选集Ck是指数增长的，例如104个1-频繁项目集就有可能产生接近107个元素的2- 侯选集。如此大的侯选集对时间和主存空间都是一种挑战。 a 基于数据分割的方法：基本原理是“在一个划 分中的支持度小于最小支持度的k-项集不可能是全局频繁的”。27改善Apriori算法适应性和效率的主要的改进方法有：a基于数据分割（Partition）的方法：基本原理是“在一个划分中的支持度小于最小支持度的k-项集不可能 是全局频繁的”。b基于散列的方法：基本原理是在一个hash桶内支持度小于最小支持度的k-项集不可能是全局频繁 的”。c基于采样的方法：基本原理是“通过采样技术，评估被
13、采样的子集中，并依次来估计k-项集的全局频 度”。d其他：如，动态删除没有用的事务：不包含任何Lk的事务对未来的扫描结果不会产生影响，因而可 以删除”。28面向Web的数据挖掘比面向数据库和数据仓库的数据挖掘要复杂得多：a 异构数据源环境： Web 网站上的信息是异构:每个站点的信息和组织都不一样;存在大量的无结构的文 本信息、复杂的多媒体信息;站点使用和安全性、私密性要求各异等等。b数据的是复杂性：有些是无结构的（如Web页），通常都是用长的句子或短语来表达文档类信息;有些 可能是半结构的（如Email，HTML页）。当然有些具有很好的结构（如电子表格）。揭开这些复合对象蕴涵的一 般性描述特
14、征成为数据挖掘的不可推卸的责任。c 动态变化的应用环境：Web 的信息是频繁变化的，像新闻、股票等信息是实时更新的。这种高变化也体现在页面的动态链接和随机存取上。Web 上的用户是难以预测的。Web 上的数据环境是高噪音的。29.简述知识发现项目的过程化管理 I-MIN 过程模型。MIN过程模型把KDD过程分成IM1、IM2、IM6等步骤处理，在每个步骤里，集中讨论几个问题， 并按一定的质量标准来控制项目的实施。IM1任务与目的：它是KDD项目的计划阶段，确定企业的挖掘目标，选择知识发现模式，编译知识发 现模式得到的元数据;其目的是将企业的挖掘目标嵌入到对应的知识模式中。IM2任务与目的：它是
15、KDD的预处理阶段，可以用IM2a、IM2b、IM2c等分别对应于数据清洗、数据 选择和数据转换等阶段。其目的是生成高质量的目标数据。IM3任务与目的：它是KDD的挖掘准备阶段，数据挖掘工程师进行挖掘实验，反复测试和验证模型的 有效性。其目的是通过实验和训练得到浓缩知识(Knowledgeconcentrate)，为最终用户提供可使用的模型。IM4任务与目的：它是KDD的数据挖掘阶段，用户通过指定数据挖掘算法得到对应的知识。IM5任务与目的：它是KDD的知识表示阶段，按指定要求形成规格化的知识。IM6任务与目的：它是KDD的知识解释与使用阶段，其目的是根据用户要求直观地输出知识或集成到 企业的知识库中。30. 改善Apriori算法适应性和效率的主要的改进方法有：a基于数据分割(Partition)的方法：基本原理是“在一个划分中的支持度小于最小支持度的k-项集不可能 是全局频繁的”。b基于散列(Hash)的方法：基本原理是在一个hash桶内支持度小于最小支持度的k-项集不可能是全局 频繁的”。c基于采样(Sampling)的方法：基本原理是通过采样技术，评估被采样的子集中，并依次来估计k-项集 的全局频度”。d其他：如，动态删除没有用的事务：不包含任何Lk的事
