数据挖掘-——Data Mining(2)

什么是数据挖掘，都有哪些算法

数据挖掘(Data Mining)，就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程。数据挖掘的广义观点：数据挖掘就是从存放在数据库，数据仓库或其他信息库中的大量的数据中“挖掘”有趣知识的过程。数据挖掘，又称为数据库中知识发现(Knowledge Discovery in Database, KDD)，也有人把数据挖掘视为数据库中知识发现过程的一个基本步骤。知识发现过程以下步骤组成：（1）数据清理，（2）数据集成，（3）数据选择，（4）数据变换，（5）数据挖掘，（6）模式评估，（7）知识表示。数据挖掘可以与用户或知识库交互。

并非所有的信息发现任务都被视为数据挖掘。例如，使用数据库管理系统查找个别的记录，或通过因特网的搜索引擎查找特定的Web页面，则是信息检索（information retrieval）领域的任务。虽然这些任务是重要的，可能涉及使用复杂的算法和数据结构，但是它们主要依赖传统的计算机科学技术和数据的明显特征来创建索引结构，从而有效地组织和检索信息。尽管如此，数据挖掘技术也已用来增强信息检索系统的能力。

数据挖掘的起源

需要是发明之母。近年来，数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量数据，可以广泛使用，并且迫切需要将这些数据转换成有用的信息和知识。获取的信息和知识可以广泛用于各种应用，包括商务管理，生产控制，市场分析，工程设计和科学探索等。

　　数据挖掘利用了来自如下一些领域的思想：(1) 来自统计学的抽样、估计和假设检验，(2) 人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论。数据挖掘也迅速地接纳了来自其他领域的思想，这些领域包括最优化、进化计算、信息论、信号处理、可视化和信息检索。一些其他领域也起到重要的支撑作用。特别地，需要数据库系统提供有效的存储、索引和查询处理支持。源于高性能（并行）计算的技术在处理海量数据集方面常常是重要的。分布式技术也能帮助处理海量数据，并且当数据不能集中到一起处理时更是至关重要。

数据挖掘基本的分析算法：

1) 数据挖掘能做以下六种不同事情（分析方法）：
　　· 分类（Classification）
　　· 估值（Estimation）
　　· 预言（Prediction）
　　· 相关性分组或关联规则（Affinity grouping or association rules）
　　· 聚集（Clustering）
　　· 描述和可视化（Description and Visualization）
　　· 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)

2) 数据挖掘分类
　　以上六种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘
　　· 直接数据挖掘
　　目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以理解成数据库中表的属性，即列）进行描述。
　　· 间接数据挖掘
　　目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系。
　　· 分类、估值、预言属于直接数据挖掘；后三种属于间接数据挖掘

3) 各种分析方法的简介
　　· 分类（Classification）
　　首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。
　　例子：
　　a. 信用卡申请者，分类为低、中、高风险
　　b. 分配客户到预先定义的客户分片
　　注意：类的个数是确定的，预先定义好的

　　· 估值（Estimation）
　　估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类的类别是确定数目的，估值的量是不确定的。
　　例子：
　　a. 根据购买模式，估计一个家庭的孩子个数
　　b. 根据购买模式，估计一个家庭的收入
　　c. 估计real estate的价值
　　一般来说，估值可以作为分类的前一步工作。给定一些输入数据，通过估值，得到未知的连续变量的值，然后，根据预先设定的阈值，进行分类。例如：银行对家庭贷款业务，运用估值，给各个客户记分（Score 0~1）。然后，根据阈值，将贷款级别分类。

　　· 预言（Prediction）
　　通常，预言是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。
　　· 相关性分组或关联规则（Affinity grouping or association rules）
　　决定哪些事情将一起发生。
　　例子：
　　a. 超市中客户在购买A的同时，经常会购买B，即A => B(关联规则)
　　b. 客户在购买A后，隔一段时间，会购买B （序列分析）

　　· 聚集（Clustering）
　　聚集是对记录分组，把相似的记录在一个聚集里。聚集和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。
　　例子：
　　a. 一些特定症状的聚集可能预示了一个特定的疾病
　　b. 租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群
　　聚集通常作为数据挖掘的第一步。例如，"哪一种类的促销对客户响应最好？"，对于这一类问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集，回答问题，可能效果更好。

　　· 描述和可视化（Des cription and Visualization）
　　是对数据挖掘结果的表示方式。