資料探勘基礎知識

　　資料探勘一般是指從大量的資料中通過演算法搜尋隱藏於其中資訊的過程。那麼你對資料探勘瞭解多少呢?以下是由小編整理關於的內容，希望大家喜歡!

　　一、資料探勘技術的基本概念

　　隨著計算機技術的發展，各行各業都開始採用計算機及相應的資訊科技進行管理和運營，這使得企業生成、收集、存貯和處理資料的能力大大提高，資料量與日俱增。企業資料實際上是企業的經驗積累，當其積累到一定程度時，必然會反映出規律性的東西;對企業來，堆積如山的資料無異於一個巨大的寶庫。在這樣的背景下，人們迫切需要新一代的計算技術和工具來開採資料庫中蘊藏的寶藏，使其成為有用的知識，指導企業的技術決策和經營決策，使企業在競爭中立於不敗之地。另一方面，近十餘年來，計算機和資訊科技也有了長足的進展，產生了許多新概念和新技術，如更高效能的計算機和作業系統、因特網***intemet***、資料倉庫***datawarehouse***、神經網路等等。在市場需求和技術基礎這兩個因素都具備的環境下，資料探勘技術或稱KDD***KnowledgeDiscovery in Databases;資料庫知識發現***的概念和技術就應運而生了。

　　資料探勘***Data Mining***旨在從大量的、不完全的、有噪聲的、模糊的、隨機的資料中, 提取隱含在其中的、人們事先不知道的、但又是潛在有用的資訊和知識。還有很多和這一術語相近似的術語,如從資料庫中發現知識***KDD***、資料分析、資料融合***Data Fusion***以及決策支援等。

　　二 、資料探勘的基本任務

　　資料探勘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。

　　1、 關聯分析***association analysis***

　　關聯規則挖掘由Rakesh Apwal等人首先提出。兩個或兩個以上變數的取值之間存在的規律性稱為關聯。資料關聯是資料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資料庫中隱藏的關聯網。一般用支援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、相關性等引數，使得所挖掘的規則更符合需求。

　　2、 聚類分析***clustering***

　　聚類是把資料按照相似性歸納成若干類別，同一類中的資料彼此相似，不同類中的資料相異。聚 類分析可以建立巨集觀的概念，發現數據的分佈模式，以及可能的資料屬性之間的相互關係。

　　3、 分類***classification***

　　分類就是找出一個類別的概念描述，它代表了這類資料的整體資訊，即該類的內涵描述，並用這 種描述來構造模型，一般用規則或決策樹模式表示。分類是利用訓練資料集通過一定的演算法而求得分類規則。分類可被用於規則描述和預測。

　　4、 預測***predication***

　　預測是利用歷史資料找出變化規律，建立模型，並由此模型對未來資料的種類及特徵進行預測。 預測關心的是精度和不確定性，通常用預測方差來度量。

　　5、 時序模式***time-series pattern***

　　時序模式是指通過時間序列搜尋出的重複發生概率較高的模式。與迴歸一樣，它也是用己知的資料預測未來的值，但這些資料的區別是變數所處時間的不同。

　　6、 偏差分析***deviation***

　　在偏差中包括很多有用的知識，資料庫中的資料存在很多異常情況，發現數據庫中資料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。

　　三、資料探勘常的基本技術

　　1、 統計學

　　統計學雖然是一門“古老的”學科，但它依然是最基本的資料探勘技術，特別是多元統計分析，如判別分析、主成分分析、因子分析、相關分析、多元迴歸分析等。

　　2、 聚類分析和模式識別

　　聚類分析主要是根據事物的特徵對其進行聚類或分類，即所謂物以類聚，以期從中發現規律和典型模式。這類技術是資料探勘的最重要的技術之一。除傳統的基於多元統計分析的聚類方法外，近些年來模糊聚類和神經網路聚類方法也有了長足的發展。

　　3、 決策樹分類技術

　　決策樹分類是根據不同的重要特徵，以樹型結構表示分類或決策集合，從而產生規則和發現規律。