共找到3條詞條名為數據挖掘技術的結果 展開

數據挖掘技術

數據處理的技術

從數據本身來考慮,通常數據挖掘需要有數據清理、數據變換、數據挖掘實施過程、模式評估和知識表示等8個步驟。

技術流程


(1)信息收集:根據確定的數據分析對象抽象出在數據分析中所需要的特徵信息,然後選擇合適的信息收集方法,將收集到的信息存入資料庫。對於海量數據,選擇一個合適的數據存儲和管理的數據倉庫是至關重要的。
(2)數據集成:把不同來源、格式、特點性質的數據在邏輯上或物理上有機地集中,從而為企業提供全面的數據共享。
(3)數據規約:執行多數的數據挖掘演演算法即使在少量數據上也需要很長的時間,而做商業運營數據挖掘時往往數據量非常大。數據規約技術可以用來得到數據集的規約表示,它小得多,但仍然接近於保持原數據的完整性,並且規約后執行數據挖掘結果與規約前執行結果相同或幾乎相同。
(4)數據清理:在資料庫中的數據有一些是不完整的(有些感興趣的屬性缺少屬性值),含雜訊的(包含錯誤的屬性值),並且是不一致的(同樣的信息不同的表示方式),因此需要進行數據清理,將完整、正確、一致的數據信息存入數據倉庫中。
(5)數據變換:通過平滑聚集,數據概化,規範化等方式將數據轉換成適用於數據挖掘的形式。對於有些實數型數據,通過概念分層和數據的離散化來轉換數據也是重要的一步。
(6)數據挖掘過程:根據數據倉庫中的數據信息,選擇合適的分析工具,應用統計方法、事例推理、決策樹、規則推理、模糊集、甚至神經網路、遺傳演演算法的方法處理信息,得出有用的分析信息。
(7)模式評估:從商業角度,由行業專家來驗證數據挖掘結果的正確性。
(8)知識表示:將數據挖掘所得到的分析信息以可視化的方式呈現給用戶,或作為新的知識存放在知識庫中,供其他應用程序使用。
數據挖掘過程是一個反覆循環的過程,每一個步驟如果沒有達到預期目標,都需要回到前面的步驟,重新調整並執行。不是每件數據挖掘的工作都需要這裡列出的每一步,例如在某個工作中不存在多個數據源的時候,步驟(2)數據集成的步驟便可以省略。
步驟(3)數據規約(4)數據清理(5)數據變換又合稱數據預處理。在數據挖掘中,至少60%的費用可能要花在步驟(1)信息收集階段,而至少60%以上的精力和時間是花在數據預處理

操作方法


神經網路
面向含噪數據的深度殘差收縮網路
面向含噪數據的深度殘差收縮網路
神經網路由於本身良好的魯棒性、自組織自適應性、并行處理、分佈存儲和高度容錯等特性非常適合解決數據挖掘的問題,用於分類、預測和模式識別的前饋式神經網路模型;適用於強雜訊、高冗餘數據的深度殘差收縮網路;以hopfield的離散模型和連續模型為代表的,分別用於聯想記憶和優化計算的反饋式神經網路模型;以art模型、koholon模型為代表的,用於聚類的自組織映射方法。神經網路方法的缺點是"黑箱"性,人們難以理解網路的學習和決策過程。
遺傳演演算法
遺傳演演算法是一種基於生物自然選擇與遺傳機理的隨機搜索演演算法。遺傳演演算法具有的隱含并行性、易於和其它模型結合等性質使得它在數據挖掘中被加以應用。
sunil已成功地開發了一個基於遺傳演演算法的數據挖掘工具,利用該工具對兩個飛機失事的真實資料庫進行了數據挖掘實驗,結果表明遺傳演演算法是進行數據挖掘的有效方法之一。遺傳演演算法的應用還體現在與神經網路、粗集等技術的結合上。如利用遺傳演演算法優化神經網路結構,在不增加錯誤率的前提下,刪除多餘的連接和隱層單元;用遺傳演演算法和bp演演算法結合訓練神經網路,然後從網路提取規則等。但遺傳演演算法的演演算法較複雜,收斂於局部極小的較早收斂問題尚未解決。
決策樹方法
決策樹是一種常用於預測模型的演演算法,它通過將大量數據有目的分類,從中找到一些有價值的,潛在的信息。它的主要優點是描述簡單,分類速度快,特別適合大規模的數據處理。最有影響和最早的決策樹方法是由quinlan提出的著名的基於信息熵的id3演演算法。它的主要問題是:id3是非遞增學習演演算法;id3決策樹是單變數決策樹,複雜概念的表達困難;同性間的相互關係強調不夠;抗噪性差。針對上述問題,出現了許多較好的改進演演算法,如 schlimmer和fisher設計了id4遞增式學習演演算法;鐘鳴,陳文偉等提出了ible演演算法等。
粗集方法
粗集理論是一種研究不精確、不確定知識的數學工具。粗集方法有幾個優點:不需要給出額外信息;簡化輸入信息的表達空間;演演算法簡單,易於操作。粗集處理的對象是類似二維關係表的信息表。但粗集的數學基礎是集合論,難以直接處理連續的屬性。而現實信息表中連續屬性是普遍存在的。因此連續屬性的離散化是制約粗集理論實用化的難點。
覆蓋正例排斥反例方法
它是利用覆蓋所有正例、排斥所有反例的思想來尋找規則。首先在正例集合中任選一個種子,到反例集合中逐個比較。與欄位取值構成的選擇子相容則捨去,相反則保留。按此思想循環所有正例種子,將得到正例的規則(選擇子的合取式)。比較典型的演演算法有michalski的aq11方法、洪家榮改進的aq15方法以及他的ae5方法。
統計分析方法
在資料庫欄位項之間存在兩種關係:函數關係(能用函數公式表示的確定性關係)和相關關係(不能用函數公式表示,但仍是相關確定性關係),對它們的分析可採用統計學方法,即利用統計學原理對資料庫中的信息進行分析。可進行常用統計(求大量數據中的最大值、最小值、總和、平均值等)、回歸分析(用回歸方程來表示變數間的數量關係)、相關分析(用相關係數來度量變數間的相關程度)、差異分析(從樣本統計量的值得出差異來確定總體參數之間是否存在差異)等。
模糊集方法
即利用模糊集合理論對實際問題進行模糊評判、模糊決策、模糊模式識別和模糊聚類分析。系統的複雜性越高,模糊性越強,一般模糊集合理論是用隸屬度來刻畫模糊事物的亦此亦彼性的。李德毅等人在傳統模糊理論和概率統計的基礎上,提出了定性定量不確定性轉換模型--雲模型,並形成了雲理論。
挖掘對象
根據信息存儲格式,用於挖掘的對象有關係資料庫、面向對象資料庫、數據倉庫、文本數據源、多媒體資料庫、空間資料庫、時態資料庫、異質資料庫以及internet等。

數據挖掘軟體


SAS EM
IBM旗下SPSS公司的Modeler
神舟通用公司的K-Miner
美林數據技術股份有限公司的Tempo