數(shù)據(jù)庫(kù)中知識(shí)發(fā)現(xiàn)（knowledge discovery in database）是指將未加工的數(shù)據(jù)轉(zhuǎn)換為有用信息的整個(gè)過(guò)程，此過(guò)程包括一系列轉(zhuǎn)換步驟，從數(shù)據(jù)的預(yù)處理到數(shù)據(jù)挖掘結(jié)果的后處理。數(shù)據(jù)挖掘技術(shù)可以用來(lái)探查大型數(shù)據(jù)庫(kù)，發(fā)現(xiàn)先前未知的有用模式。數(shù)據(jù)挖掘還可以預(yù)測(cè)未來(lái)觀測(cè)結(jié)果。
數(shù)據(jù)挖掘利用了來(lái)自如下領(lǐng)域的思想：①統(tǒng)計(jì)學(xué)的抽樣、估計(jì)和假設(shè)檢驗(yàn)。②人工智能、模式識(shí)別和機(jī)器學(xué)習(xí)的搜索算法、建模技術(shù)和學(xué)習(xí)理論。③最優(yōu)化、進(jìn)化計(jì)算、信息論、信號(hào)處理、可視化和信息檢索等領(lǐng)域的思想。
通常，數(shù)據(jù)挖掘任務(wù)分為兩大類：①預(yù)測(cè)任務(wù)。這些任務(wù)的目標(biāo)是根據(jù)其他屬性的值，預(yù)測(cè)特定屬性的值。②描述任務(wù)。此任務(wù)的目標(biāo)是導(dǎo)出概括數(shù)據(jù)中潛在聯(lián)系的模式（相關(guān)、趨勢(shì)、聚類、軌跡和異常）。本質(zhì)上，描述性數(shù)據(jù)挖掘任務(wù)通常是探查性的，并且常常需要后處理技術(shù)驗(yàn)證和解釋結(jié)果。其中，預(yù)測(cè)建模涉及以自變量函數(shù)的方式為因變量建立模型。有兩類預(yù)測(cè)建模任務(wù)：一個(gè)是分類，用于預(yù)測(cè)離散的因變量；另一個(gè)是回歸，用于預(yù)測(cè)連續(xù)的因變量。
關(guān)聯(lián)分析、聚類分析和異常檢測(cè)是實(shí)現(xiàn)數(shù)據(jù)挖掘任務(wù)的方法。關(guān)聯(lián)分析用來(lái)發(fā)現(xiàn)描述數(shù)據(jù)中強(qiáng)關(guān)聯(lián)特征的模式。所發(fā)現(xiàn)的模式通常蘊(yùn)含規(guī)則或特征子集的形式表示。由于搜索空間是指數(shù)規(guī)模的，關(guān)聯(lián)分析的目標(biāo)是以有效的方式提取最有趣的模式。聚類分析旨在發(fā)現(xiàn)緊密相關(guān)的觀測(cè)值組群，使得與屬于不同簇的觀測(cè)值相比，屬于同一簇的觀測(cè)值相互之間盡可能類似。異常檢測(cè)的任務(wù)是識(shí)別其特征顯著不同于其他數(shù)據(jù)的觀測(cè)值。這樣的觀測(cè)值稱為異常點(diǎn)或離群點(diǎn)。異常檢測(cè)算法的目標(biāo)是發(fā)現(xiàn)真正的異常點(diǎn)，而避免錯(cuò)誤地將正常的對(duì)象標(biāo)注為異常點(diǎn)。
數(shù)據(jù)挖掘主要算法有決策樹(shù)算法（如C4.5和CART算法）、K均值聚類算法、支持向量機(jī)、Apriori關(guān)聯(lián)算法、EM最大期望算法、連接分析算法（如PageRank算法）、AdaBoost迭代算法、k鄰近算法、樸素貝葉斯算法等。
聯(lián)系客服
