第6章现代数据挖掘技术与发展-《数据仓库原理设计与应用》课件.ppt

《第6章现代数据挖掘技术与发展-《数据仓库原理设计与应用》课件.ppt》由会员分享，可在线阅读，更多相关《第6章现代数据挖掘技术与发展-《数据仓库原理设计与应用》课件.ppt（41页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第第6 6章章现代数据挖掘技术与发展现代数据挖掘技术与发展本章学习目标：(1)通过知识挖掘系统的体系结构的学习掌握知识发现的定义和知识发现系统的结构。(2)通过现代挖掘技术及应用的学习掌握规则型、神经网络型、遗传算法型、粗糙集型和决策树型现代挖掘技术。(3)通过知识发现工具与应用的学习掌握知识挖掘工具的系统结构、运用中的问题和知识挖掘的价值。(4)经过数据挖掘技术的发展的学习了解文本挖掘、Web挖掘、可视化数据挖掘、空间数据挖掘和分布式数据挖掘。现代数据挖掘技术与发展现代数据挖掘技术与发展6.1知识挖掘系统的体系结构知识挖掘系统的体系结构6.2现代挖掘技术及应用现代挖掘技术及应用6.3知识发现

2、工具与应用知识发现工具与应用6.4数据挖掘技术的发展数据挖掘技术的发展练练 习习 6.16.1知识挖掘系统的体系结构知识挖掘系统的体系结构 6.1.1知识发现的定义知识发现的定义 知识发现是用一种简洁的方式从大量数据中抽取信息的一种技术，所抽取的信息是隐含的、未知的，并且具有潜在应用价值。知识发现可看成是一种有价值信息的搜寻过程，它不必预先假设或提出问题，仍然能够找到那些非预期的令人关注的信息，这些信息表示了不同研究对象之间的关系和模式。它还能通过全面的信息发现与分析，找到有价值的商业规则。知识发现意味着在数据仓库或数据集市的几千兆、几万兆字节数据中寻找预先未知的商业模式与事实。6.1.2 知

3、识发现系统的结构知识发现系统的结构 知识发现系统的结构由知识发现系统管理器、知识库、商业分析员、数据仓库的数据库接口、数据选择、知识发现引擎、知识发现评价和知识发现描述等部分组成（图6.1）。数据仓库知识库数 据库 接口数据选择知识发现引擎知识发现评价知识发现描述知识发现管理器商业分析员图6.1知识发现系统结构6.26.2现代挖掘技术及应用现代挖掘技术及应用 6.2.1 规则型现代挖掘技术及应用规则型现代挖掘技术及应用 1.关联规则的基本概念关联规则的基本概念buys(x,“computer”)=buys(x,“finacial_management_software”)age(“30.40”

4、)income(“42000.50000”)=buys(x,“high_resolution_TV”)布尔关联规则量化关联规则单维规则多维关联多层关联规则单层关联规则age(“30.40”)=buys(x,“IBMcomputer”)(6.3)age(“30.40”)=buys(x,“computer”)(6.4)2.关联规则的应用目标关联规则的应用目标置信度或正确率可以定义为：置信度或正确率可以定义为：(6.5)(6.5)覆盖率可以定义为覆盖率可以定义为 “兴趣度兴趣度”为目标的关联规则为目标的关联规则3.关联规则的算法关联规则的算法AprioriApriori算法算法 1 1找找出出所所有

5、有支支持持度度大大于于最最小小支支持持度度的的项项集集，这这些些项项集集称称为为频频集集，包包含含k k个个项项的的频频集集称称为为k-k-项集。项集。2 2使用第使用第1 1步找到的频集产生所期望的规则。步找到的频集产生所期望的规则。AprioriApriori算法的第算法的第1 1步采用了递归方法，算法表示为步采用了递归方法，算法表示为L L1 1=large 1-itemsets;/=large 1-itemsets;/产生频繁产生频繁1 1项集项集L L1 1for(k=2;Lfor(k=2;Lk-1k-1;k+)do/;k+)do/循环产生频繁循环产生频繁2 2项集项集L L2 2直

6、到某个直到某个r r使使L Lr r为空为空beginbegin C Ck k=apriori-gen(L=apriori-gen(Lk-1k-1);/);/产生产生k-k-项集的候选集项集的候选集 for all transactions t for all transactions tD doD do begin beginC Ct t=subset(C=subset(Ck k,t);/,t);/事务事务t t中包含的候选集中包含的候选集for all candidates cfor all candidates cC Ct t do do c.count+;c.count+;end en

7、dL Lk k=c=cC Ck k|c.count|c.countminsupminsupendendAnswer=UAnswer=Uk kL Lk k数据库DC1L1事务标识项集项集支持度项集支持度A11,3,4扫描数据库D1212A22,3,523比较支持度23A31,2,3,53333A42,5415353由L1产生C2C2L2项集项集支持度项集支持度1,2扫描数据库D1,211,221,31,32比较支持度2,321,51,512,532,32,323,522,52,533,53,52项集扫描数据库D项集支持度2,3,52,3,52由L2产生C3L34.关联规则的应用关联规则的应用前件

8、和后件规则中的正确率和覆盖率规划覆盖率和正确率的平衡前件后件正确率覆盖率百吉饼奶油干酪80%5%百吉饼橙汁40%3%百吉饼咖啡40%2%百吉饼鸡蛋25%2%面包牛奶35%30%黄油牛奶65%20%鸡蛋牛奶35%15%奶酪牛奶40%8%规划覆盖率正确率低正确率高覆盖率高规划很少是正确的，但可以使用规划多数情况下是正确的，而且可以经常使用覆盖率低规划很少是正确的，一般不被使用规划多数情况下是正确的，但很少被使用6.2.2 神经网络型现代挖掘技术神经网络型现代挖掘技术 2.基于神经网络的数据挖掘基于神经网络的数据挖掘（1 1）基于自组织神经网络的数据挖掘技术）基于自组织神经网络的数据挖掘技术一一种种

9、无无教教师师学学习习过过程程 、可可以以提提取取一一组组数数据据中中的的重重要要特特征征或或某某种内在知种内在知识识 （2 2）模糊神经网络类型数据挖掘技术）模糊神经网络类型数据挖掘技术模模糊糊BPBP网网络络、模模糊糊KohonenKohonen聚聚类类网网络络、模模糊糊推推理理网网络络、模模糊糊ARTART模型等模型等 模模糊糊BPBP网网络络中中，样样本本的的希希望望输输出出值值改改为为样样本本相相对对各各类类的的希希望望隶隶属度属度 输输出出表表达达方方面面实实现现了了模模糊糊化化，而而且且将将样样本本的的隶隶属属度度引引入入了了权权系系数的修正数的修正规则规则中，使中，使权权系数的修

10、正系数的修正规则规则也也实现实现了模糊化。了模糊化。6.2.2 神经网络型现代挖掘技术神经网络型现代挖掘技术 4.神经网络的应用神经网络的应用47岁收入6500元节点借贷拖欠？连接0.470.650.39Weight=0.7Weight=0.1年龄收入0.47（0.7）+0.65（0.1）0.396.2.3 遗传算法型现代挖掘技术遗传算法型现代挖掘技术 1.遗传算法的基本原理遗传算法的基本原理达达尔尔文文的的“适适者者生生存存”理理论论、继继承承的的信信息息由由基基因因携携带带 、多多个个基基因因组组成成了了染染色色体体 、基基因因座座、等等位位基基因因 、基基因因型型和和表表现现型型 染色体

11、对应的是一系列符号序列，通常用染色体对应的是一系列符号序列，通常用0 0、1 1的位串表示的位串表示进进行行生生物物的的遗遗传传进进化化。在在这这一一过过程程中中包包括括三三种种演演化化操操作作：在在父父代代基基因因群群中中的的双双亲亲选选择择操操作作、两两个个父父代代双双亲亲产产生生子子代代基基因因的交叉操作和在子代基因群体中的变异操作。的交叉操作和在子代基因群体中的变异操作。两两种种数数据据转转换换：从从表表现现型型到到基基因因型型的的转转换换，另另一一种种是是从从基基因因型型到表现型的转换到表现型的转换遗传算法实质上是一种繁衍、检测和评价的迭代算法遗传算法实质上是一种繁衍、检测和评价的迭

12、代算法 最最大大优优点点是是问问题题的的最最优优解解与与初初始始条条件件无无关关，而而且且搜搜索索最最优优解解的的能力极强能力极强 6.2.3 遗传算法型现代挖掘技术遗传算法型现代挖掘技术 编码并生成祖先群体计算当前基因群体中所有个体的适合度是否满足最优解条件？选择群体中适应值高的个体进行复制交叉操作变异操作终止6.2.3 遗传算法型现代挖掘技术遗传算法型现代挖掘技术 3.遗传算法的应用遗传算法的应用用四个染色体来定义客户类型：用四个染色体来定义客户类型：基因基因1 1：客户的年龄下限：客户的年龄下限基因基因2 2：客户的年龄上限：客户的年龄上限基因基因3 3：客户的收入水平：客户的收入水平基

13、基因因4 4：客客户户的的人人口口状状况况（人人口口状状况况可可以以分分成成：少少（1 1至至2 2人人）、一一般般（3 3至至4 4人）和多（人）和多（5 5人以上）三种状况）人以上）三种状况）客户ID年龄累计购买金额收入家庭人口性别10985461843中等4女18595490中等2男47382613628低5男749123618463高6女95623298463高3男8552632274中等2男58753521846低2女64957480中等3女769572721634高5男6583945842低1女6.2.3 遗传算法型现代挖掘技术遗传算法型现代挖掘技术 所所有有的的生生物物个个体体按

14、按顺顺序序排排放放在在一一张张二二维维表表格格上上，使使每每个个生生物物体体的上、下、左、右都与其它生物体相邻接。的上、下、左、右都与其它生物体相邻接。（1 1）竞争复制）竞争复制（2 2）杂交繁殖）杂交繁殖（3 3）异变处理）异变处理年龄下限年龄上限高收入中等收入低收入人口少人口一般人口多客户群13864是是否否是是客户群22650是否是是否是客户群32040否是是是否否6.2.4 粗糙集型现代挖掘技术粗糙集型现代挖掘技术1粗糙集技术粗糙集技术2.粗糙集的应用粗糙集的应用表表中中的的970230970230、980304980304、990211990211客客户户的的“赞赞扬扬竞竞争争对对

15、手手的的产产品品”属属性性是是相相似似的的；980304980304、990327990327客客户户的的“挑挑选选产产品品时时间间很很长长”和和“客客户户流流失失”属属性性是是相相似似的的；970230970230、990211990211客客户户的的“赞赞扬扬竞竞争争对对手手的的产产品品”、“挑挑选选产产品品时时间间很很长长”和和“距距最最后后一一次次销销售售时时间间”属属性性是是相相似似的的；这这样样，围围绕绕“赞赞扬扬竞竞争争对对手手的的产产品品”属属性性就就可可以以产产生生两两个个初初等等集集合合：970230970230、980304980304、990211990211和和970

16、102970102、980625980625、990327990327；而而“赞赞扬扬竞竞争争对对手手的的产产品品”和和“挑挑选选产产品品时时间间很很长长”属属性性可可以以生生成成三三个个初初等等集集合：合：970102970102、980625980625、990327990327、970230970230、990211990211和和980304980304。客户编号赞扬竞争对手的产品否挑选产品时间很长距最后一次销售时间客户流失否970102否是长是970230是否长是980304是是很长是980625否是正常否990211是否长否990327否是很长是6.2.4 粗糙集型现代挖掘技术粗糙

17、集型现代挖掘技术因因为为客客户户970230970230已已经经流流失失，而而客客户户990211990211没没有有流流失失，由由于于属属性性“赞赞扬扬竞竞争争对对手手的的产产品品”、“挑挑选选产产品品时时间间很很长长”和和“距距最最后后一一次次销销售售时时间间”是是相相似似的的。因因此此，客客户户流流失失不不能能以以属属性性“赞赞扬扬竞竞争争对对手手的的产产品品”、“挑挑选选产产品品时时间间很很长长”和和“距最后一次销售时间距最后一次销售时间”作为特征进行描述。作为特征进行描述。而而970230970230、990211990211就就是是边边界界实实例例，即即它它们们不不能能根根据据有有

18、效效知知识识进进行行适适当当的的分分类类。余余下下的的客客户户970102970102、980304980304和和990327990327所所显显示示的的特特征征，可可以以将将他他们们确确定定为为已已经经流流失失的的客客户户。当当然然，也也不不能能排排除除970230970230和和990211990211已已经经流流失失，而而980625980625毫毫无无疑疑问问没没有流失。有流失。所所以以客客户户集集合合中中“流流失失”的的下下近近似似集集合合是是970102970102、980304980304、990327990327，上上 近近 似似 集集 合合 是是 970102970102、

19、970230970230、980304980304、990211990211、990327990327。同同样样，980625980625没没有有流流失失，但但是是不不能能排排除除970230970230和和990211990211流流失失。因因此此，客客户户“没没有有流流失失”概概念念的的下下近近似似是是980625980625，上上近近似是似是970230970230、980625980625、990211990211。6.2.5 决策树型现代挖掘技术决策树型现代挖掘技术1决策树技术决策树技术信信息息增增益益被被定定义义为为原原始始分分割割的的熵熵与与划划分分以以后后各各分分割割的的熵熵累

20、加得到的总熵之间的差。累加得到的总熵之间的差。信息增益是指划分前后进行正确预测所需的信息量之差。信息增益是指划分前后进行正确预测所需的信息量之差。选择具有最高信息增益的属性作为当前节点的测试属性。选择具有最高信息增益的属性作为当前节点的测试属性。一个给定的样本分类所需要的期望信息为一个给定的样本分类所需要的期望信息为由由A划分成子集的熵或期望信息是划分成子集的熵或期望信息是6.2.5 决策树型现代挖掘技术决策树型现代挖掘技术1决策树技术决策树技术为为第第j个个子子集集的的权权，等等于于子子集集（A值值为为aj）中中的的样样本本数数除除以以S中中的的样样本本数数。对对于于给给定定的的子子集集Sj

21、，I(s1j,s2j,smj)可用下式计算是Sj中的样本属于类Ci的概率由A划分的信息增益是Gain(A)=I(s1,s2,sm)-E(A)6.2.5 决策树型现代挖掘技术决策树型现代挖掘技术2.决策树的应用决策树的应用年龄学生信誉等级会购买不会购买会购买会购买不会购买30314040否是一般良好6.2.5 决策树型现代挖掘技术决策树型现代挖掘技术“年龄”在各个属性中具有最大的信息增益，所以选择“年龄”属性作为第一个测试属性，创建一个节点，用“年龄”标记。计算剩余各个属性的相应的信息增益，选择信息增益最大的属性作为测试属性，这时信息增益最大的是“学生”属性，创建一个节点，用“学生”标记。6.3

22、知识发现工具与应用知识发现工具与应用6.3.1 知识挖掘工具的系统结构知识挖掘工具的系统结构1.无耦合（无耦合（no coupling）DM系统不利用系统不利用DB或或DW系统的任何功能系统的任何功能 2.松散耦合（松散耦合（loose coupling）DM系统将使用系统将使用DB/DW的某些工具的某些工具 3.半紧密耦合（半紧密耦合（semitight coupling）DM系系统统连连接接到到一一个个DB/DW系系统统，一一些些基基本本数数据据挖挖掘掘原原语语可以在可以在DB/DW系统中实现。系统中实现。4.紧密耦合（紧密耦合（tight coupling）DM系统被平滑地集成到系统被平

23、滑地集成到DB/DW系统中系统中6.3知识发现工具与应用知识发现工具与应用6.3.2 知识挖掘工具运用中的问题知识挖掘工具运用中的问题2.数据挖掘技术应用中的个性问题数据挖掘技术应用中的个性问题(1)规则归纳应用中的问题规则归纳应用中的问题主主要要用用于于显显式式描描述述数数据据抽抽取取的的规规则则、找到所有的规则，工作量是巨大的(2)神经网络应用中的问题神经网络应用中的问题受训练过度的影响受训练过度的影响、神经网络的训练速度问题(3)遗传算法应用中的问题遗传算法应用中的问题6.3知识发现工具与应用知识发现工具与应用6.3.3 知识挖掘的价值知识挖掘的价值1.了解商业活动了解商业活动2.发现商

24、业异常发现商业异常3.预测模型预测模型6.3.4 现代数据挖掘工具简介现代数据挖掘工具简介1.DBMiner的体系结构的体系结构2.DBMiner的数据挖掘类型的数据挖掘类型6.4数据挖掘技术的发展数据挖掘技术的发展6.4.1 文本挖掘文本挖掘1.文本分析和语义网络文本分析和语义网络文本分析文本分析语义网络语义网络2.文本挖掘文本挖掘文本总结文本总结基于关键字的关联分析基于关键字的关联分析文档分类分析文档分类分析文档聚类分析文档聚类分析文本挖掘的应用文本挖掘的应用6.4数据挖掘技术的发展数据挖掘技术的发展6.4.2 Web挖掘技术挖掘技术1.Web的特点的特点2.Web内容挖掘内容挖掘基于文本

25、信息的挖掘基于文本信息的挖掘基于多媒体信息的挖掘基于多媒体信息的挖掘3.Web结构挖掘结构挖掘4.Web使用记录的挖掘使用记录的挖掘数据预处理阶段数据预处理阶段模式识别阶段模式识别阶段模式分析阶段模式分析阶段5.Web数据挖掘的应用数据挖掘的应用6.4数据挖掘技术的发展数据挖掘技术的发展6.4.3 可视化数据挖掘技术可视化数据挖掘技术1.数据的可视化数据的可视化2.可视化数据挖掘技术可视化数据挖掘技术数据可视化数据可视化数据挖掘结果可视化数据挖掘结果可视化数据挖掘过程可视化数据挖掘过程可视化交互式可视化数据挖掘交互式可视化数据挖掘6.4数据挖掘技术的发展数据挖掘技术的发展6.4.4 空间数据挖

26、掘空间数据挖掘1.地理信息系统地理信息系统地理信息系统概念地理信息系统概念地理信息系统的特点地理信息系统的特点2.数据挖掘技术和地理信息系统相结合数据挖掘技术和地理信息系统相结合3.地理信息系统的数据挖掘特点地理信息系统的数据挖掘特点图形化数据挖掘图形化数据挖掘图形化统计查询图形化统计查询图形化报表输出图形化报表输出专业的地理分析功能专业的地理分析功能4.空间数据挖掘空间数据挖掘5.空间数据挖掘用途空间数据挖掘用途6.4数据挖掘技术的发展数据挖掘技术的发展6.4.5 分布式数据挖掘分布式数据挖掘1.分布式数据挖掘分布式数据挖掘2.适合水平式数据划分的分布式挖掘方法适合水平式数据划分的分布式挖掘

27、方法SQL查询查询结果结果用户查询图6.7PADMA体系结构数据挖掘代理元数据数据挖掘代理协调器应用WW用户接口磁盘磁盘6.4数据挖掘技术的发展数据挖掘技术的发展6.4.5 分布式数据挖掘分布式数据挖掘3.适合垂直式数据划分的分布式数据挖掘方法适合垂直式数据划分的分布式数据挖掘方法图6.8 CDM的体系结构数据站点A数据站点B数据站点C分布式数据挖掘代理分布式数据挖掘代理分布式数据挖掘代理A局部模型B局部模型C局部模型协调器全局数据模型练练 习习1.知识挖掘系统的结构包括哪几个部分？它们是如何相互配合完成知识发现的？2.现有某企业的员工数据库，数据已经概括处理，其中的合计数为对应所给定的部门、

28、职务、年龄和工资值的人数。部门职务年龄工资合计销售高级管理31.354600.500030销售低级管理26.302600.300040销售低级管理31.353100.350040生产低级管理21.254600.500020生产高级管理31.356600.70005生产低级管理26.304600.50003生产高级管理41.456600.70003财务高级管理36.404600.500010财务低级管理31.354100.45004行政高级管理46.503600.40004行政低级管理26.302600.30006练练 习习针对本表，设计一个遗传算法，分析员工的年龄、部门与工资的关系。(2)利用粗糙集技术对本表的数据进行分析，讨论可能会得到什么结论。3.在超市中的商品价格都是大于等于零的，超市的总经理只关心如何利用送一件免费商品而带来1000元以上的总销售量。讨论如何挖掘这种商业模式。练练 习习4.现在需要购买一个商品化的数据挖掘工具，从多角度对其进行分析，例如可以处理的数据类型、系统的体系结构、数据源、数据挖掘功能、数据挖掘方法、与数据仓库的耦合情况、用户的图形界面等。对该系统进行一个实际的评价，并描述一下其具体的实现方法。5.遗传算法的主要思路是什么？其中的变异操作有什么作用？