數據挖掘基礎知識(2)
數據挖掘基礎知識
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、 規則歸納
規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則和規律，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。
四、數據挖掘技術實施的步驟
數據挖掘的過程可以分為6個步驟：
1) 理解業務：從商業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目的。
6) 模型部署：創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內實施一個可重復的數據挖掘過程。控制得到普遍承認。
五、數據挖掘的應用現狀
數據挖掘是一個新興的邊緣學科，它匯集了來自機器學習、模式識別、數據庫、統計學、人工智能以及管理信息系統等各學科的成果。多學科的相互交融和相互促進，使得這一新學科得以蓬勃發展，而且已初具規模。在美國國家科學基金會(NSF)的數據庫研究項目中，KDD被列為90年代最有價值的研究項目。人工智能研究領域的科學家也普遍認為，下一個人工智能應用的重要課題之一，將是以機器學習算法為主要工具的大規模的數據庫知識發現。盡管數據挖掘還是一個很新的研究課題，但它所固有的為企業創造巨大經濟效益的潛力，已使其很快有了許多成功的應用，具有代表性的應用領域有市場預測、投資、制造業、銀行、通訊等。
美國鋼鐵公司和神戶鋼鐵公司利用基于數據挖掘技術的ISPA系統，研究分析產品性能規律和進行質量控制，取得了顯著效果。通用電器公司(GE)與法國飛機發動機制造公司(sNEcMA)，利用數據挖掘技術研制了CASSIOP、EE質量控制系統，被三家歐洲航空公司用于診斷和預測渡音737的故障，帶來了可觀的經濟效益。該系統于1996年獲歐洲一等創造性應用獎。
享有盛譽的市場研究公司，如美國的A、C、一Nielson和Information Resources，歐洲的GFK和ln、fratest Burk等紛紛開始使用數據挖掘工具來應付迅速增長的銷售和市場信息數據。商家的激烈競爭導致了市場快速飽和，產品的迅速更新，使得經營者對市場信息的需求格外強烈利用數據挖掘技術所形成的市場預測能力和服務，使這些市場研究公司取得了巨大收益。
英國廣播公司(BBC)也應用數據挖掘技術來預測電視收視率，以便合理安排電視節目時刻表。信用卡公司Alllelicall KxT,ress自采用數據挖掘技術后，信用卡使用率增加了10% 一15%。AT&T公司賃借數據挖掘技術技術偵探國際電話欺詐行為，可以盡快發現國際電話使用中的不正常現象。
看過“數據挖掘基礎知識“的人還看了：