欢迎大家来到IT世界,在知识的湖畔探索吧!
前言
自20世纪90年代以来，随着数据库技术应用的普及，数据挖掘（ Data Mining ）技术已经引起了学术界、产业界的极大关注，其主要原因是当前各个单位已经存储了超大规模，即海量规模的数据，未来能够真正发挥这些数据的实际价值。由于数据分析和管理工作的应用需要，需将这些数据转换成有用的信息和知识，即从传统的数据统计向数据挖掘与分析进行转换。另外，通过数据挖掘技术获取的信息和知识还可以广泛应用于各个行业领域，包括市场开拓与分析、商务管理、生产控制、工程设计和科学探索等方面。（摘自《数据挖掘：方法与应用》徐华）
欢迎大家来到IT世界,在知识的湖畔探索吧!
正文
1.数据挖掘的历史和发展
a.基本描述
并非所有与数据库相关的操作与分析都属于数据挖掘研究的范畴。
b.典型的知识发现过程
c.典型的数据挖掘系统结构
d. 数据挖掘中还存在许多问题有待进一步研究
3.数据挖掘的研究内容和功能
a.研究内容
b.数据挖掘的主要功能
3.分类和预测
数据挖掘相关的研究工作中常常还力图构建一个模型或者描述函数来刻画或者区分不同的类型与概念，以实现对于未来潜在的预测需求。例如在实际工作中，往往会根据气候的类型来对相关国家进行分类，分为热带国家、温带国家和寒带国家。实际生活中，会根据小汽车的排量对小汽车进行分类。分为小排量汽车、大排量汽车等类型。在实际应用数据挖掘技术解决相关问题的过程中，常常会采用分类技术与方法解决对未知的结果或者未知量化特征的预测。
最大化类内的相似性
最小化类间的相似性
4.数据挖掘常用的技术和工具
a.数据挖掘常用的技术
预测技术、聚类分析、进化计算、模糊逻辑、对策树、统计分析、决策与控制理论、并行计算海童存储、关联规则技术、粗糙集技术、灰色系统、人工智能、知识推理、可视化技术
b.数据挖掘的十大经典算法
1.决策树分类器C4.5（分类算法）
2.K-均值算法（聚类算法）
3.支持向量机（分类算法）
4.Apriori算法（频繁模式分析算法）
5.最大期望估计算法（集成弱分类器）
6.PageRank算法（排序算法）
7.AdaBoost算法（集成弱分类器）
8.K最近邻分类算法（分类算法）
9.朴素贝叶斯算法（分类算法）
10.分类与回归树算法（聚类算法）
c.数据挖掘的工具
d.传统的数据分析方法与数据挖掘
（1）海量数据
（2）高维数据
（3）高复杂性数据。如下是日常工作中几类典型的搞复杂度数据
①数据流与传感数据。
②时间序列数据、随时间而变化的数据序列。
③结构化数据、图、社会关系网络、多链接关系数据。
④异构数据库、法律数据。
⑤空间数据、时空描述数据、多媒体数据、 Web 数据。
⑥软件程序、科学仿真数据等。
5.数据挖掘应用热点
6.数据挖掘面对的主要问题
a.挖掘方法所面临的问题
(1）在实际使用数据挖掘方法发现知识时，通常会希望所采用的挖掘方法能够实现从不同类型的数据中挖掘不同种类的知识。
(2) 数据挖掘的对象往往是大规模海量数据，挖掘算法的性能也是数据挖掘过程中常常引起关注的重要问题之一。
(3）描述性数据挖掘任务中需要对所分析的频繁模式或者规律进行相应的模式评估
(4）数据挖掘工作服务的对象往往是具有不同专业背景的用户。在挖掘方法中如何融合相关的背景知识使挖掘工作更有针对性，也是挖掘方法研究的一个重要问题。
(5）在挖掘方法的使用过程中，往往被挖掘对象都是带有噪声和不完全的数据。
(6）近年来，随着并行计算技术的成熟和云计算技术平台的构建，未来对于海量数据的挖掘方法往往要求能够具有并行化、分布式和增量性的特点。
(7）挖掘算法要能够主动集成所发现的知识，即实现知识的融合。
b.用户交互性的问题
(1）在用户交互性问题上，需要提出一种面向数据挖掘的查询语言以实现即时数据挖掘。(2）需要针对用户的数据挖掘结果的表示和可视化呈现技术，以一种直观方式呈现挖掘的结果。即开展面向数据挖掘技术的计算可视化方法研究。
(3）用户往往需要在多个抽象层次实现交互式挖掘，即要求整个数据挖掘过程具有可交互性。
c.应用与社会影响
(1）在应用方面。迫切需要开展面向领域的数据挖掘，并实现常人无法感知和不可见的数据挖掘。(2）在数据挖掘的应用过程中还需要加强对于数据安全性、完整性和隐私性的保护。
小结
作为数据库技术发展的必然结果，数据挖掘技术已经得到了广泛的研究与应用。数据挖掘就是从海量数据中发现有价值的知识。一个典型的知识发现过程包括数据清洗、数据集成、数据选择、数据转换、数据挖掘、模式评估和知识表示。数据挖掘工作可以在不同的数据仓库上展开。数据挖掘可以完成：数据的特征抽取、特征识别、关联分析、分类、聚类、离群点分析和趋势分析等。（摘自《数据挖掘：方法与应用》徐华）
参考资料
《数据挖掘：方法与应用》徐华著
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://itzsg.com/114471.html
