寫給數據挖掘新人的基礎知識介紹

在面試提問中，談到對數據挖掘的認識，各位童鞋都知道它是一個巨大數據價值寶庫，但是該如何理解和利用新一代的計算技術和工具來開采數據中蘊藏的寶藏呢？各種剪不斷理還亂，童鞋們不用再為難自己嘍，來看看我們?yōu)槟銈兙臏蕚涞膫鋺?zhàn)資料吧，說不定你就豁然開朗啦！

在市場需求和技術基礎這兩個因素都具備的環(huán)境下，數據挖掘技術的概念和技術就應運而生了。

基本概念

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(fā)現知識(KDD)、數據分析、數據融合(Data Fusion)以及決策支持等。

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(guī)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(guī)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(fā)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(guī)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(guī)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(fā)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(guī)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(guī)則。分類可被用于規(guī)則描述和預測。

4預測 predication

預測是利用歷史數據找出變化規(guī)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(fā)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(qū)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(fā)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。

　　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(fā)現規(guī)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(fā)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(guī)則和發(fā)現規(guī)律。

4人工神經網絡和遺傳基因算法

人工神經網絡是一個迅速發(fā)展的前沿研究領域，對計算機科學 人工智能、認知科學以及信息技術等產生了重要而深遠的影響，而它在數據挖掘中也扮演著非常重要的角色。人工神經網絡可通過示例學習，形成描述復雜非線性系統的非線性函數，這實際上是得到了客觀規(guī)律的定量描述，有了這個基礎，預測的難題就會迎刃而解。目前在數據挖掘中，最常使用的兩種神經網絡是BP網絡和RBF網絡 不過，由于人工神經網絡還是一個新興學科，一些重要的理論問題尚未解決。

5規(guī)則歸納

規(guī)則歸納相對來講是數據挖掘特有的技術。它指的是在大型數據庫或數據倉庫中搜索和挖掘以往不知道的規(guī)則和規(guī)律，這大致包括以下幾種形式：IF … THEN …

6可視化技術

可視化技術是數據挖掘不可忽視的輔助技術。數據挖掘通常會涉及較復雜的數學方法和信息技術，為了方便用戶理解和使用這類技術，必須借助圖形、圖象、動畫等手段形象地指導操作、引導挖掘和表達結果等，否則很難推廣普及數據挖掘技術。

　實施步驟

數據挖掘的過程可以分為6個步驟：

1) 理解業(yè)務：從商業(yè)的角度理解項目目標和需求，將其轉換成一種數據挖掘的問題定義，設計出達到目標的一個初步計劃。

2) 理解數據：收集初步的數據，進行各種熟悉數據的活動。包括數據描述，數據探索和數據質量驗證等。

3) 準備數據：將最初的原始數據構造成最終適合建模工具處理的數據集。包括表、記錄和屬性的選擇，數據轉換和數據清理等。

4) 建模：選擇和應用各種建模技術，并對其參數進行優(yōu)化。

5) 模型評估：對模型進行較為徹底的評價，并檢查構建模型的每個步驟，確認其是否真正實現了預定的商業(yè)目的。

6) 模型部署：創(chuàng)建完模型并不意味著項目的結束，即使模型的目的是為了增進對數據的了解，所獲得的知識也要用一種用戶可以使用的方式來組織和表示。通常要將活動模型應用到決策制訂的過程中去。該階段可以簡單到只生成一份報告，也可以復雜到在企業(yè)內實施一個可重復的數據挖掘過程?？刂频玫狡毡槌姓J。