ppt71075.pptVIP

数据挖掘能做些什么 主要内容 概念描述 关联规则 分类与预测 聚类 分析方法 概念描述 概念描述（concept description） 概念：对一个包含大量数据的数据集合总体情况的概述。 概念描述(concept description)：对含有大量数据的数据集合进行概述性的总结并获得简明、准确的描述。 关联规则 关联规则（Association Rule） 关联规则挖掘就是发现大量数据中项集之间有趣的关联 关联规则挖掘的典型案例：购物篮问题 在商场中拥有大量的商品（项目），如：牛奶、面包等，客户将所购买的商品放入到自己的购物篮中。 通过发现顾客放入购物篮中的不同商品之间的联系，分析顾客的购买习惯。 哪些物品经常被顾客购买？ 同一次购买中，哪些商品经常会被一起购买？ 一般用户的购买过程中是否存在一定的购买时间序列？ 关联规则 基本表示形式： 前提条件?结论[支持度, 置信度] buys(x, “diapers”) ?buys(x, “beers”) [0.5%, 66%] major(x, “CS”) takes(x, “DB”) ?grade(x, “A”) [1%, 75%] 具体应用：利润最大化 商品货架设计：更加适合客户的购物路径 货存安排：实现超市的零库存管理 用户分类：提供个性化的服务 分类与预测 分类与预测（Classification and Prediction） 研究已分类资料的特征，分析对象属性，据此建立一个分类函数或分类模型，然后运用该模型计算总结出的数据特征，将其他未经分类或新的数据分派到不同的组中。 预测是根据对象属性、过去的观察值和有关资料对该属性的未来值进行预测，预测使用的技巧主要是回归分析、神经网络方法等。 分类与预测 常用方法 决策树（decision tree） 贝叶斯分类（bayes classification） 人工神经网络（ANN） K最近邻分类法（k-nearest neighbor classifier） 基于事例的推理（case-based reasoning） 遗传算法（genetic algorithm） 粗糙集方法（rough set approach） 模糊集方法（fuzzy set approach） 回归分析（regression analysis） 聚类 聚类分析（Clustering Analysis） 把数据对象的集合分组到不同的聚类中 聚类原则 同一类内的数据尽可能相似 不同类数据尽可能不相似 聚类实际上是一个无导师分类：没有预先给定类别信息 聚类 常用方法 基于划分的聚类分析方法 基于层次的聚类分析方法 基于密度的聚类分析方法 基于网格的聚类分析方法 基于模型的聚类分析方法 分析方法 特异点分析（Outlier Analysis） 与数据的一般行为或模式不一致。多数为噪声或异常数据，常被剔除。 在某些应用中，孤立点数据更有趣，如：银行诈骗，洗黑钱、恐怖行为。 有专门进行孤立点研究的方法与技术。统计方法是占主流，考察数据的分布，用距离来度量。 分析方法 演化分析（time series analysis） 对随时间变化的数据对象的变化规律和演化趋势进行建模分析。（时序数据库） 如对主要股票的交易数据进行建模分析。 方法 趋势和偏差: 回归分析 序列模式匹配：周期性分析 基于类似性的分析 分析方法 文本分类（Text Mining） 网站挖掘（Web Mining） 空间数据挖掘（Spatial Mining） …… * * * *