數據挖掘基礎知識

數據挖掘基礎知識

　　數據挖掘一般是指從大量的數據中通過算法搜索隱藏于其中信息的過程。那么你對數據挖掘了解多少呢?以下是由學習啦小編整理關于數據挖掘基礎知識的內容，希望大家喜歡!

　　一、數據挖掘技術的基本概念

　　隨著計算機技術的發展，各行各業都開始采用計算機及相應的信息技術進行管理和運營，這使得企業生成、收集、存貯和處理數據的能力大大提高，數據量與日俱增。企業數據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，堆積如山的數據無異于一個巨大的寶庫。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采數據庫中蘊藏的寶藏，使其成為有用的知識，指導企業的技術決策和經營決策，使企業在競爭中立于不敗之地。另一方面，近十余年來，計算機和信息技術也有了長足的進展，產生了許多新概念和新技術，如更高性能的計算機和操作系統、因特網(intemet)、數據倉庫(datawarehouse)、神經網絡等等。在市場需求和技術基礎這兩個因素都具備的環境下，數據挖掘技術或稱KDD(KnowledgeDiscovery in Databases;數據庫知識發現)的概念和技術就應運而生了。

　　數據挖掘(Data Mining)旨在從大量的、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。還有很多和這一術語相近似的術語,如從數據庫中發現知識(KDD)、數據分析、數據融合(Data Fusion)以及決策支持等。

　　二 、數據挖掘的基本任務

　　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。

　　1、 關聯分析(association analysis)

　　關聯規則挖掘由Rakesh Apwal等人首先提出。兩個或兩個以上變量的取值之間存在的規律性稱為關聯。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。

　　2、 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。

　　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。

　　4、 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。

　　5、 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。

　　6、 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。

　　三、數據挖掘常的基本技術

　　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數據挖掘技術，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、多元回歸分析等。

　　2、 聚類分析和模式識別

　　聚類分析主要是根據事物的特征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。這類技術是數據挖掘的最重要的技術之一。除傳統的基于多元統計分析的聚類方法外，近些年來模糊聚類和神經網絡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征，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。