《数据挖掘原语和语言资料ppt课件》由会员分享，可在线阅读，更多相关《数据挖掘原语和语言资料ppt课件（38页珍藏版）》请在金锄头文库上搜索。
1、数据挖掘原语、语言和系统结构为什么要数据挖掘原语和语言？n没有精确的指令和规则，数据挖掘系统就没法使用。n一个完全自动（不需要人为干预或指导）的数据挖掘机器：q会产生大量模式（重新把知识淹没）q会涵盖所有数据，使得挖掘效率低下q大部分有价值的模式集可能被忽略q挖掘出的模式可能难以理解，缺乏有效性、新颖性和实用性令人不感兴趣。n用数据挖掘原语和语言来指导数据挖掘。数据挖掘原语的组成部分n数据挖掘原语应该包括以下部分：q说明数据库的部分或用户感兴趣的数据集q要挖掘的知识类型q用于指导挖掘的背景知识q模式评估、兴趣度量q如何显示发现的知识n数据挖掘原语用于用户和数据挖掘系统通信，让用户能从不同的角度
2、和深度审查和发现结果，并指导挖掘过程。说明数据挖掘任务的原语n任务相关的数据q数据库（仓库）名、数据立方体、选择条件、相关属性、分组条件n挖掘的知识类型q特征化、区分、关联、分类/预测、聚类n背景知识q概念分层，关联的确信度n模式兴趣度度量q简单性、确定性、实用性、新颖性n发现模式的可视化q规则、表、图表、图、判定树任务相关的数据n用户感兴趣的只是数据库或数据仓库的一个子集。q相关的操作：DB选择、投影、连接、聚集等；DW切片、切块n初始数据关系q数据子集选择过程产生的新的数据关系n可挖掘的视图q用于数据挖掘相关任务的数据集任务相关的数据例子n挖掘加拿大顾客和他们常在AllElectronic
3、s购买的商品间的关联规则q数据库（仓库）名（e.g.AllElectronics_db）q包含相关数据的表或数据立方体名（e.g.item,customer,purchases,item_sold）q选择相关数据的条件（今年、加拿大）q相关的属性或维（item表的name和price，customer表的income和age）要挖掘的知识类型n要挖掘的知识类型将决定使用什么数据挖掘功能。q概念描述（特征化和区分），关联规则，分类/预测，聚类和演化分析等n模式模板q又称元模式或元规则，用来指定所发现模式所必须匹配的条件，用于指导挖掘过程。关联规则元模式例子n研究AllElectronics的顾客
4、购买习惯，使用如下关联规则：qP(X:customer,W)Q(X,Y)=buys(X,Z)nX-customer表的关键字nP,Q-谓词变量nW,Y,Z-对象变量n模板具体化qage(X,“3039”)income(X,“40k49k”)=buys(X,“VCR”) 2.2%,60%qoccupation(x,“student”)age(X,“2029”)=buys(X,“computer”)1.4%,70%背景知识：概念分层n背景知识是关于挖掘领域的知识，概念分层是背景知识的一种，它允许在多个抽象层上发现知识。n概念分层以树形结构的节点集来表示，其中每个节点本身代表一个概念，根节点称为al
5、l，而叶节点则对应于维的原始数据值。概念分层 上卷和下钻n在概念分层中应用上卷操作（概化），使得用户可以使用较高层次概念替代较低层次概念，从而可以在更有意义，跟抽象的层次观察数据，从而跟容易发现知识。同时上卷操作带来的数据归约还能有效的节省I/O支出。n概念分层的下钻操作使用较低层概念代替较高层概念，从而使用户能够对过于一般化的数据做更详细分析。n上卷和下钻操作让用户以不同视图观察数据，洞察隐藏的数据联系。n概念分层的自动生成。概念分层的类型n模式分层qE.g.,streetcityprovincecountryn集合分组分层qE.g.,20-39=young,40-59=middle_age
6、dn操作导出的分层qEmail：n基于规则的分层qlow_profit_margin(X)=price(X,P1)andcost(X,P2)and(P1-P2)$50qhigh_profit_margin(X)$250兴趣度度量n没有兴趣度度量，挖掘出来的有用模式，很可能会给淹没在用户不感兴趣的模式中。q简单性q确定性q实用性q新颖性n兴趣度的客观度量方法：根据模式的结构和统计，用一个临界值来判断某个模式是不是用户感兴趣的。简单性和确定性n简单性(simplicity)q模式是否容易被人所理解q模式结构的函数（模式的长度、属性的个数、操作符个数）。e.g.规则长度或者判定树的节点个数。n确定性
7、(certainty)q表示一个模式在多少概率下是有效的。q置信度(A=B)=(包含A和B的元组值)/(包含A的元组值)，e.g.buys(X,“computer)=buys(X,“software”) 30%,80%q100%置信度：准确的。实用性和新颖性n实用性q可以用支持度来进行度量：支持度(A=b)=(包含A和B的元组数)/(元组总数)e.g.buys(X,“computer)=buys(X,“software”)30%,80%q同时满足最小置信度临界值和最小支持度临界值的关联规则称为强强关联规则关联规则。n新颖性q提供新信息或提高给定模式集性能的模式q通过删除冗余模式来检测新颖性（一
8、个模式已经为另外一个模式所蕴涵）qLocation(X,“Canada”)=buys(X,“Sony_TV”)8%,70%qLocation(X,“Vancouver”)=buys(X,“Sony_TV”)2%,70%发现模式的表示和可视化n以多种形式显示挖掘出来的模式：表、图、判定树、数据立方体等等，以适合不同背景的用户的需要。n使用概念分层，用更有意义，更容易理解的高层概念来替代低层概念；并通过上卷、下钻等操作从不同的抽象级审视所发现的模式。n特定知识类型的表示。一种数据挖掘查询语言DMQLnDMQL的设计目的q支持特别的和交互的数据查询，以便利于灵活和有效的知识发现n提供一种类似于SQL
9、的标准化查询语言n希望达到SQL在关系数据库中的地位n系统开发和演化的基础n方便的信息交互，广泛的技术支持，商业化，广为认可n设计挑战q数据挖掘任务涉及面宽n数据特征、关联规则、分类、演变分析每种任务都有不同的需求DMQL的语法n采用与SQL相类似的语法，便于与SQL的集成。n允许在多个抽象层上，由关系数据库和数据仓库进行多类型知识的特殊挖掘nDMQL的设计基于数据挖掘原语，语法中应该包括对以下任务的指定：q说明数据库的部分或用户感兴趣的数据集q要挖掘的知识类型q用于指导挖掘的背景知识q模式评估、兴趣度量q如何显示发现的知识任务相关数据说明的语法n任务相关数据说明应包括的内容：q包含相关数据的
10、数据库或数据仓库q相关的表名或数据立方体的名字q选择相关数据的条件q探察的相关属性或维q关于检索数据的排序和分组指令任务相关数据说明子句n说明相关的数据库或数据仓库qusedatabase或usedatawarehousen指定涉及的表或数据立方体，定义检索条件qFromwheren列出要探察的属性或维qInrelevanceton相关数据的排序qorderbyn相关数据的分组qgroupbyn相关数据的分组条件：qhaving任务相关数据说明示例n挖掘加拿大顾客与在AllElectronics经常购买的商品之间的关联规则use database AllElectronics_dbin rel
11、evance to I.name, I.price, C.income, C.agefrom customer C, item I, purchases P, items_sold Swhere I.item_ID=S. item_ID and S.trans_ID=P.trans_ID and P.cust_ID=C.cust_ID and C.country=“Canada”group by P.date指定挖掘知识类型n要挖掘的知识类型将决定所使用的数据挖掘功能。n几种主要的数据挖掘功能q特征化n目标数据的一般特征或特性汇总q数据区分n将目标对象的一般特性与一个或多个对比类对象的特性相比
12、较比较q关联分析n发现关联规则，这些规则展示属性值频繁的在给定数据中集中一起出现的条件q分类n找出区分数据类或概念的模型（或函数），以便用之标志未知的对象类。q聚类分析、孤立点分析、演变分析指定挖掘知识类型特征化n目标数据的一般特征或特性汇总q语法Mine_Knowledge_Specification:=minecharacteristicsaspattern_nameanalyzemeasure(s)nanalyze子句指定聚集度量（count,sum,count%），通过这些度量对每个找到的数据特征进行计算n示例：顾客购买习惯的特征描述，对于每一特征，显示满足特征的任务相关元组的百分比m
13、inecharacteristicsascustPurchasinganalyzecount%指定挖掘知识类型数据区分n将目标对象的一般特性与一个或多个对比类对象的特性相比较q语法Mine_Knowledge_Specification:=minecomparisonaspattern_namefortarget_classwheretarget_conditionversuscontrast_class_iwherecontrast_condition_ianalyzemeasure(s)nanalyze子句指定聚集度量（count,sum,count%），将对每个描述进行计算或显示n示例：
14、用户将客户区分为大顾客与小顾客，并显示满足每个区分的元组数Mine_Knowledge_Specification:=minecomparisonaspurchaseGroupsforbigSpenderswhereavg(I.price)$100versusbudgetSpenderswhereavg(I.price)$100analyzecount指定挖掘知识类型关联n发现关联规则，这些规则展示属性值频繁的在给定数据中集中一起出现的条件q语法Mine_Knowledge_Specification:=mineassociationsaspattern_namenmatching子句后面往往
15、可以跟元模式，用来指定用户有兴趣探察的数据束或假定n示例：使用元模式指导的挖掘来指定用于描述顾客购买习惯的关联规则挖掘Mine_Knowledge_Specification:=mineassociationsasbuyingHabbitsmatchingP(X: customer, W) Q(X, Y) =buys(X, Z)指定挖掘知识类型分类n找出区分数据类或概念的模型（或函数），以便用之标志未知的对象类q语法Mine_Knowledge_Specification:=mineclassificationaspattern_nameanalyzeclassifying_attribute
16、_or_dimensionnanalyze子句说明根据某个属性或维进行分类，通常每个分类属性的或维的值就代表一个分类n示例：挖掘客户的信用等级模式mineclassificationasclassifyCustCreditRatinganalyzecredit_rating概念分层说明的语法n每个属性或维可能有多个概念分层，已适应用户从不同角度看待问题的需要；用户可以使用如下语句指定使用哪个概念分层：usehierarchyforn示例1：定义模式分层location，location中包含一个概念分层的全序（streetcityprovincecountry)，相应的DMQL语法定义如下所示
17、：Define hierarchy location_hierarchyonlocationasstreet,city,province,country概念分层说明的语法集合分组分层allyoungmiddle_agedsenior203940596089Level0Level1Level2define hierarchyage_hierarchyfor ageoncustomeraslevel1:young,middle_aged,seniorlevel0:alllevel2:2039level1:younglevel2:4059level1:middle_agedlevel2:6089le
18、vel1:senior兴趣度度量说明的语法n兴趣度的度量包括置信度、支持度、噪声和新颖度等度量，可以通过将模式的兴趣度度量与相应的临界值相比较决定一个模式是否为感兴趣的模式。withthreshold=threshold_valuen示例：挖掘关联规则时限定找到的感兴趣模式必须满足最小支持度为5%，最小置信度为70%withsupportthreshold=5%withconfidencethreshold=70%模式表示和可视化说明的语法n对挖掘出来的模式，可以使用多种形式进行表示，包括：规则、表、饼图、立方体、曲线等display asn为了方便用户在不同的角度或者不同的概念层观察发现的模
19、式，用户可以使用上卷、下钻、添加或丢弃属性或维等操作Multilevel_Manipulation:=rolluponattribute_or_dimension|drilldownonattribute_or_dimension|addattribute_or_dimension|dropattribute_or_dimension例：假定描述是基于维location,age和income的挖掘。用户可以”rolluponlocation”,“dropage”,概化发现的模式。一个DMQL查询的完整示例n查询AllElectronics购买商品的价格不小于$100的，用AmEx信用卡结帐的加
20、拿大顾客的购买习惯特征（年龄，商品类型和产地），以表的形式表示挖掘的模式use database AllElectronics_db use hierarchy location_hierarchy for B.addressminecharacteristicsas customerPurchasing analyze count% inrelevanceto C.age, I.type, I.place_made fromcustomer C, item I, purchases P, items_sold S, works_at W, branchwhere I.item_ID = S.
21、item_ID and S.trans_ID = P.trans_ID and P.cust_ID = C.cust_ID and P.method_paid = AmEx and P.empl_ID = W.empl_ID and W.branch_ID = B.branch_ID and B.address = Canada and I.price = 100with noise threshold = 0.05 display as table其他数据挖掘语言和数据挖掘原语的标准化n关联规则语言规范qMSQL(Imielinski&Virmani99)qMineRule(MeoPsail
22、aandCeri96)qQueryflocksbasedonDatalogsyntax(Tsuretal98)n数据挖掘的OLEDBq基于OLEDB和OLEDBforOLAP技术q整合数据库，数据仓库和数据挖掘nCRISP-DM(CRoss-IndustryStandardProcessforDataMining)q提供了一个有效的数据挖掘平台和处理结构q强调使用数据挖掘技术解决商务问题的需要基于数据挖掘语言的图形用户界面（GUI）设计n就像SQL是关系数据库应用的GUI设计的“核心”一样，DMQL是数据挖掘应用GUI设计的核心。数据挖掘的GUI可能包含以下部分：q数据收集和数据查询编辑q发现
23、模式的表示q分层结构说明和操纵q数据挖掘原语的操作q交互的多层挖掘q其他各种信息数据挖掘系统的体系结构n一个系统的体系结构是指一个系统的各种结构，包括系统的各种部分，这些部分所显示出来的特性，以及它们之间的相互关系。n系统功能与系统体系结构的无关性。n系统的体系结构决定的是系统的功能属性。n数据挖掘系统体系结构的核心问题：我们是否应当将数据挖掘系统与数据库/数据仓库系统集成(或耦合)q不耦合q松散耦合q半紧密耦合q紧密耦合DM与DB/DW的耦合方式n不耦合qDM系统不利用DB/DW系统的任何功能。n松散耦合qDM系统将使用DB/DW系统的某些功能。n半紧密耦合q除了将DM系统连接到一个DB/D
24、W系统之外，一些基本数据挖掘原语（通过分析频繁遇到的数据挖掘功能确定）可以在DB/DW系统中实现。n紧密耦合qDM系统平滑的集成到DB/DW系统中。数据挖掘子系统被视为信息挖掘子系统的一部分，数据挖掘查询和功能根据DB或DW系统的挖掘查询分析、数据结构、索引模式和查询处理方法优化。概念描述：特征化与比较什么是概念描述？n描述性挖掘VS.预测性挖掘q描述性挖掘：以简洁概要的方式描述数据，并提供数据的有趣的一般性质。q预测性数据挖掘：通过分析数据建立一个或一组模型，并试图预测新数据集的行为。n概念描述：为数据的特征化和比较产生描述（当所描述的概念所指的是一类对象时，也称为类描述类描述）q特征化：提
25、供给定数据集的简洁汇总。q区分：提供两个或多个数据集的比较描述。概念描述 VS. OLAPn概念描述和数据仓库的联机分析处理（OLAP）都跟数据概化密切相关，即以简洁的形式在更一般的抽象层描述数据，允许数据在抽象层概化，便于考察数据的一般行为。n两者的主要区别：q概念描述n可以处理复杂数据类型的属性及其聚集n一个更加自动化的过程qOLAPn实际使用的OLAP系统中，维和度量的数据类型都非常有限（非数值型的维和数值型的数据），表现为一种简单的数据分析模型n一个由用户控制的过程数据概化和基于汇总的特征化n数据概化q数据库中的数据和对象通常包含原始概念层的细节信息，数据概化就是将数据库中的跟任务相关的数据集从较低的概念层抽象到较高的概念层的过程。n主要方法：q数据立方体（OLAP使用的方法）q面向属性的归纳方法12345概念层
