數據挖掘基礎
?
??? 最近開始學習DataMining，摘錄一些文章在這里，學習并供參考。
?
摘要：數據挖掘是目前一種新的重要的研究領域。本文介紹了數據挖掘的概念、目的、常用方法、數據挖掘過程、數據挖掘軟件的評價方法。對數據挖掘領域面臨的問題做了介紹和展望。
?
關鍵詞：數據挖掘 數據集合
?
1. 引言
?
數據挖掘(Data Mining)是從大量的、不完全的、有噪聲的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。隨著信息技術的高速發展，人們積累的數據量急劇增長，動輒以TB計，如何從海量的數據中提取有用的知識成為當務之急。數據挖掘就是為順應這種需要應運而生發展起來的數據處理技術。是知識發現(Knowledge Discovery in Database)的關鍵步驟。
?
2. 數據挖掘的任務
?
數據挖掘的任務主要是關聯分析、聚類分析、分類、預測、時序模式和偏差分析等。
?
⑴關聯分析(association analysis)
?
關聯規則挖掘是由Rakesh Apwal等人首先提出的。兩個或兩個以上變量的取值之間存在某種規律性，就稱為關聯。數據關聯是數據庫中存在的一類重要的、可被發現的知識。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出數據庫中隱藏的關聯網。一般用支持度和可信度兩個閥值來度量關聯規則的相關性，還不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合需求。
?
⑵聚類分析(clustering)
?
聚類是把數據按照相似性歸納成若干類別，同一類中的數據彼此相似，不同類中的數據相異。聚類分析可以建立宏觀的概念，發現數據的分布模式，以及可能的數據屬性之間的相互關系。
?
⑶分類(classification)
?
分類就是找出一個類別的概念描述，它代表了這類數據的整體信息，即該類的內涵描述，并用這種描述來構造模型，一般用規則或決策樹模式表示。分類是利用訓練數據集通過一定的算法而求得分類規則。分類可被用于規則描述和預測。
?
⑷預測(predication)
?
預測是利用歷史數據找出變化規律，建立模型，并由此模型對未來數據的種類及特征進行預測。預測關心的是精度和不確定性，通常用預測方差來度量。
?
⑸時序模式(time-series pattern)
?
時序模式是指通過時間序列搜索出的重復發生概率較高的模式。與回歸一樣，它也是用己知的數據預測未來的值，但這些數據的區別是變量所處時間的不同。
?
⑹偏差分析(deviation)
?
在偏差中包括很多有用的知識，數據庫中的數據存在很多異常情況，發現數據庫中數據存在的異常情況是非常重要的。偏差檢驗的基本方法就是尋找觀察結果與參照之間的差別。
?
3．數據挖掘對象
?
根據信息存儲格式，用于挖掘的對象有關系數據庫、面向對象數據庫、數據倉庫、文本數據源、多媒體數據庫、空間數據庫、時態數據庫、異質數據庫以及Internet等。
?
4．數據挖掘流程
?
⑴定義問題：清晰地定義出業務問題，確定數據挖掘的目的。
?
⑵數據準備：數據準備包括：選擇數據--在大型數據庫和數據倉庫目標中提取數據挖掘的目標數據集；數據預處理--進行數據再加工，包括檢查數據的完整性及數據的一致性、去噪聲，填補丟失的域，刪除無效數據等。
?
⑶數據挖掘：根據數據功能的類型和和數據的特點選擇相應的算法，在凈化和轉換過的數據集上進行數據挖掘。
?
⑷結果分析：對數據挖掘的結果進行解釋和評價，轉換成為能夠最終被用戶理解的知識。
?
⑸知識的運用：將分析所得到的知識集成到業務信息系統的組織結構中去。
?
5．數據挖掘的方法
?
⑴神經網絡方法
?
神經網絡由于本身良好的魯棒性、自組織自適應性、并行處理、分布存儲和高度容錯等特性非常適合解決數據挖掘的問題，因此近年來越來越受到人們的關注。典型的神經網絡模型主要分3大類：以感知機、BP反向傳播模型、函數型網絡為代表的，用于分類、預測和模式識別的前饋式神經網絡模型；以Hopfield的離散模型和連續模型為代表的，分別用于聯想記憶和優化計算的反饋式神經網絡模型；以ART模型、Koholon模型為代表的，用于聚類的自組織映射方法。神經網絡方法的缺點是"黑箱"性，人們難以理解網絡的學習和決策過程。
?
⑵遺傳算法
?
遺傳算法是一種基于生物自然選擇與遺傳機理的隨機搜索算法，是一種仿生全局優化方法。遺傳算法具有的隱含并行性、易于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于遺傳算法的數據挖掘工具，利用該工具對兩個飛機失事的真實數據庫進行了數據挖掘實驗，結果表明遺傳算法是進行數據挖掘的有效方法之一。遺傳算法的應用還體現在與神經網絡、粗集等技術的結合上。如利用遺傳算法優化神經網絡結構，在不增加錯誤率的前提下，刪除多余的連接和隱層單元；用遺傳算法和BP算法結合訓練神經網絡，然后從網絡提取規則等。但遺傳算法的算法較復雜，收斂于局部極小的較早收斂問題尚未解決。
?
⑶決策樹方法
?
決策樹是一種常用于預測模型的算法，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提出的著名的基于信息熵的ID3算法。它的主要問題是：ID3是非遞增學習算法；ID3決策樹是單變量決策樹，復雜概念的表達困難；同性間的相互關系強調不夠；抗噪性差。針對上述問題，出現了許多較好的改進算法，如 Schlimmer和Fisher設計了ID4遞增式學習算法;鐘鳴，陳文偉等提出了IBLE算法等。
?
⑷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；算法簡單，易于操作。粗集處理的對象是類似二維關系表的信息表。目前成熟的關系數據庫管理系統和新發展起來的數據倉庫管理系統，為粗集的數據挖掘奠定了堅實的基礎。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。現在國際上已經研制出來了一些基于粗集的工具應用軟件，如加拿大Regina大學開發的KDD-R;美國Kansas大學開發的LERS等。
?
⑸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。與字段取值構成的選擇子相容則舍去，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)。比較典型的算法有Michalski的AQ11方法、洪家榮改進的AQ15方法以及他的AE5方法。
?
⑹統計分析方法
?
在數據庫字段項之間存在兩種關系：函數關系(能用函數公式表示的確定性關系)和相關關系(不能用函數公式表示，但仍是相關確定性關系)，對它們的分析可采用統計學方法，即利用統計學原理對數據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量間的數量關系)、相關分析(用相關系數來度量變量間的相關程度)、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。
?
⑺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。系統的復雜性越高，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--云模型，并形成了云理論。
?
6．評價數據挖掘軟件需要考慮的問題
?
越來越多的軟件供應商加入了數據挖掘這一領域的競爭。用戶如何正確評價一個商業軟件，選擇合適的軟件成為數據挖掘成功應用的關鍵。
?
評價一個數據挖掘軟件主要應從以下四個主要方面：
?
⑴計算性能：如該軟件能否在不同的商業平臺運行；軟件的架構；能否連接不同的數據源；操作大數據集時，性能變化是線性的還是指數的;算的效率；是否基于組件結構易于擴展；運行的穩定性等；
?
⑵功能性：如軟件是否提供足夠多樣的算法；能否避免挖掘過程黑箱化；軟件提供的算法能否應用于多種類型的數據；用戶能否調整算法和算法的參數；軟件能否從數據集隨機抽取數據建立預挖掘模型；能否以不同的形式表現挖掘結果等；
?
⑶可用性：如用戶界面是否友好；軟件是否易學易用；軟件面對的用戶：初學者，高級用戶還是專家？錯誤報告對用戶調試是否有很大幫助；軟件應用的領域：是專攻某一專業領域還是適用多個領域等；
?
⑷輔助功能：如是否允許用戶更改數據集中的錯誤值或進行數據清洗；是否允許值的全局替代；能否將連續數據離散化；能否根據用戶制定的規則從數據集中提取子集；能否將數據中的空值用某一適當均值或用戶指定的值代替；能否將一次分析的結果反饋到另一次分析中，等等。
?
7．結束語
?
數據挖掘技術是一個年輕且充滿希望的研究領域，商業利益的強大驅動力將會不停地促進它的發展．每年都有新的數據挖掘方法和模型問世，人們對它的研究正日益廣泛和深入。盡管如此，數據挖掘技術仍然面臨著許多問題和挑戰：如數據挖掘方法的效率亟待提高，尤其是超大規模數據集中數據挖掘的效率；開發適應多數據類型、容噪的挖掘方法，以解決異質數據集的數據挖掘問題；動態數據和知識的數據挖掘；網絡與分布式環境下的數據挖掘等；另外，近年來多媒體數據庫發展很快，面向多媒體數據庫的挖掘技術和軟件今后將成為研究開發的熱點。
?