|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
数据挖掘是通过挖掘数据仓库中存储的大量数据，从中发现有意义的新的关联模式和趋势的过程。从商业的角度定义，数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。
|
|
|
|
面向管理决策的数据挖掘和商务智能（Business Intelligence，BI）的应用建立在数据资源高度集成的基础上，利用新型的海量数据分析方法，在数据资源中寻找潜在的、有助于管理决策的规律和知识。在人工智能领域，通常把数据挖掘又称为数据库中的知识发现（Knowledge Discovery in Database，KDD）。
|
|
|
|
数据挖掘方法一般都是基于机器学习、模式识别和统计方法的。通过对这些方法的综合和集成，来完成在海量数据中对潜在知识的挖掘工作。数据挖掘的基本目标是和描述。一般来说，可以根据知识类型将数据挖掘划分为以下几类。
|
|
|
|
（1）概念描述（归纳或简约）。包括对概念的识别和比较，它通过对数据进行一般化汇总或将可能矛盾的数据的特征进行说明，寻求对一个数据子集简约的描述。例如，销售经理把顾客的购买数据按年龄分组，观察每组顾客的购买频次和平均消费额。
|
|
|
|
（2）关联规则。发现数据之间的关联性、相关性和因果关系，从而进一步得出不同信息之间潜在的逻辑规律，为业务运作提供参考和决策支持。例如，某大型超市在利用数据挖掘方法对商品进行关联分析后，发现一部分滞销商品居然是消费额最高的25%的客户的购买对象。于是为了能够使得效益最大化，该超市仍然继续供应这些滞销商品，而不是简单地撤下这些商品。
|
|
|
|
（3）分类和预测。对数据按类进行划分，挖掘出每类数据的描述和模型，根据已有信息和模式，来预测未来或未知的属性值。
|
|
|
|
（4）聚类。将数据按照某种标准进行汇总，形成新的类。聚类和分类不同，在分类中，数据事先是给出类标记的，然后选择分类算法对这些类进行划分，是一种监督学习的方式；而聚类则是将数据集合按特定属性测度的相似性进行聚合，并没有事先给定类别，是一种非监督学习的方式。
|
|
|
|
（5）时间序列数据分析。这是统计方法的直接应用，主要包括趋势和偏差分析、用户定义的模式匹配分析及周期数据分析。
|
|
|
