物联网中的智能决策v1135.ppt

互联网用户行为分析 精准农业 市场行销 智能家居 金融安全 产品制造和质量监控 互联网用户行为分析 随着中国互联网用户数的激增，用户在互联网上的行为分析逐渐引起了关注。例如，用户在上网的时候通常需要不停地从一个网页通过HTTP链接跳转到另一个网页 获取互联网用户访问模式带来的好处很多，首先可以辅助改善分布式网络系统的性能，例如在有高度相关的站点间提供快速有效的访问通道。其次，能够帮助更好地组织和设计网页，以及帮助改善市场营销策略(例如把广告放在合适的网页上)以更好地吸引客户的注意 本章小结 内容回顾 本章介绍了数据挖掘的基本流程，重点介绍了五种典型的数据挖掘算法和步骤。最后讨论了物联网背景下数据挖掘技术的广泛应用。 重点掌握 了解数据挖掘的概念以及特点（反复迭代，人机交互）。 熟悉数据挖掘的过程（数据预处理，挖掘知识，知识评估与表示）。 理解关联分析的相关概念：关联规则（支持度/置信度），Apriori算法，频繁项集。 理解分类和预测的相关概念：判定树，期望信息，信息增益。 本章小结 重点掌握（续） 理解聚类分析与分类的区别，了解k-means算法。 了解离群点分析的三种方法（基于统计，距离偏移）。 了解演化分析的基本概念。 举例说明物联网环境下数据挖掘技术的广泛应用。 Thank you! 第13章 物联网中的 智能决策 内容提要 智能决策是物联网“智慧”的来源。 本章将介绍数据挖掘的基本流程，基本类型和典型算法。 第12章介绍了有哪些信誉好的足球投注网站引擎的相关知识 有哪些信誉好的足球投注网站引擎的基本组成 有哪些信誉好的足球投注网站引擎的体系结构（信息采集，索引技术，有哪些信誉好的足球投注网站服务） 物联网中有哪些信誉好的足球投注网站引擎的挑战 本章介绍数据挖掘的基本流程（预处理，数据挖掘，知识评估与表示），重点介绍几种典型的数据挖掘算法，最后讨论物联网中智能决策的新特点。 内容回顾 13.1 数据挖掘概述 13.2 数据挖掘的基本类型和算法* 13.3 智能决策与物联网 什么是数据挖掘？数据挖掘有哪三个步骤？ 本章内容 13.1 数据挖掘概述 数据挖掘（Data Mining） 从大量数据中获取潜在有用的并且可以被人们理解的模式的过程 是一个反复迭代的人机交互和处理的过程，历经多个步骤，并且在一些步骤中需要由用户提供决策 数据挖掘的过程： 数据预处理、数据挖掘和对挖掘结果的评估与表示 每一个阶段的输出结果成为下一个阶段的输入 13.1 数据挖掘概述 数据挖掘的过程 数据预处理阶段 数据准备：了解领域特点，确定用户需求 数据选取：从原始数据库中选取相关数据或样本 数据预处理：检查数据的完整性及一致性，消除噪声等 数据变换：通过投影或利用其他操作减少数据量 数据挖掘阶段 确定挖掘目标：确定要发现的知识类型 选择算法：根据确定的目标选择合适的数据挖掘算法 数据挖掘：运用所选算法，提取相关知识并以一定的方式表示 知识评估与表示阶段 模式评估：对在数据挖掘步骤中发现的模式(知识)进行评估 知识表示：使用可视化和知识表示相关技术，呈现所挖掘的知识 13.1 数据挖掘概述 数据挖掘的过程 13.1 数据挖掘概述 13.2 数据挖掘的基本类型和算法* 13.3 智能决策与物联网 数据挖掘的基本类型和算法有那些？ 本章内容 13.2 数据挖掘的基本类型和算法 数据挖掘的基本类型 关联分析(Association Analysis) 聚类分析(Clustering Analysis) 离群点分析(Outlier Analysis) 分类与预测(Classification and Prediction) 演化分析(Evolution Analysis) 描述性挖掘任务：刻划数据库中数据的一般特性 预测性挖掘任务：在当前数据上进行推断和预测 关联分析 关联分析的目标是从给定的数据中发现频繁出现的模式，即关联规则 关联规则通常的表述形式是X Y，表示“数据库中满足条件X的记录(元组)可能也满足条件Y” 以某电器商场销售记录为例： 含义：4% (支持度)的顾客的年龄在20至29岁且月收入在3000至5000元，且这样的顾客中，65% (置信度)的人购买了笔记本电脑 关联分析 挖掘关联规则，需要置信度和支持度越高越好 基本概念 项集：满足若干条件的数据项的集合，如果条件数为k，则称k-项集 满足年龄(顾客, “20~29”)的项集是1-项集 满足年龄(顾客, “20~29”) 收入(顾客, “3000~5000”)的项集是2-项集 计算步骤 首先找到具备足够支持度的项集，即频繁项集 然后由频繁项集构成关联规则，并计算置信度 关联分析 如何寻找频繁项集 Apriori算法 基本思想：利用已求出的k-项集来计算(k+1)-项集 首先计算频繁1-项集 然后根据两个频繁k-项集{p1, p2, ..., pk}