知识发现方法.pptVIP

第9章知识发现方法 9.1数据开采和知识发现的区别与联系 KDD的结构模型如图9.1所示: 9.2知识发现概念 知识发现的定义： ＫＤＤ是从大量数据中提取出可信的、新颖的、有效的并能被人理解的模式的处理过程，这种处理的过程是非常繁琐的过程。 KDD的特点： 1、从现实世界中存在的一些具体数据中提取知识 。 2、所处理的数据的完整性、一致性和正确性都很难保证 。 3、是对数据背后隐藏的特征和趋势进行分析，最终给出关于数据的总体特征和发展趋势 。 知识发现的研究方向： 效率和可扩放性 数据的时序性 和其他系统的集成 交互性 发现模式的精练 互联网上的知识发现 知识发现的典型应用领域 一、市场 二、工业 三、金融 四、科学研究 五、医疗保健 9.4基于数据库中的知识发现 ＫＤＤ处理过程 ： 数据开采的目标及方法 数据开采主要是利用各种知识发现算法，从数据库数据中发现有关的知识，根据发现知识的不同种类，可以将数据开采的目标分为以下几类： （1） 特征 (characterization） （2） 区分（discrimination） （3） 分类（classification） （4） 关联规则（association） （5） 聚类(clustering) （6） 预测(prediction) 数据挖掘在KDD中所使用主要方法 ： (1) 数学统计方法 (2) 机器学习方法 (3) 面向数据库方法 (4) 混合方法 (5) 其他方法 KDD的一些基本特征： 数据库中的知识发现就是对数据库中蕴含的、未知的、非平凡的、有潜在应用价值的模式的提取，KDD 特征如下： （1） 模式 （2） 知识 （3） 置信度 （4） 兴趣度 （5） 有效性 （6） 非平凡性（nontrivial） ＫＤＤ系统简介 目前ＫＤＤ的研究已引起各研究机构和公司的关注，一些ＫＤＤ的原型系统相继建立，下面简单介绍两个ＫＤＤ系统： DBMiner和Quest ； （1）DBMiner是加拿大Simon Fraser大学研制的一个原型系统，其结构如图9.4所示。DBMiner主要由3个模块组成： 图形用户界面、DBMiner引擎和通信模块。 DBMiner结构图 （2）Quest是由IBM Almaden研究中心开发的ＫＤＤ系统，其目标是开发各种数据开采方法以更好地用于决策支持。Quest的系统结构如图9.5所示。 Quest的系统结构 * KDD是利用数据采掘算法,按指定方式和阈值抽取有价值的知识 发现有用知识的全过程 ，是应用数据采掘算法和评价解释模式的一个循环过程 知识发现 数据采掘是KDD的一个关键步骤 采掘过程的一个特定步骤 数据开采 联系 区别 图9.1 知识发现系统的结构 图9.3 ＫＤＤ处理过程 图9.4 DBMiner系统框图 图9.5 Quest的系统结构 * *