數(shù)據(jù)挖掘基礎(chǔ)知識

1、數(shù)據(jù)挖掘基礎(chǔ)知識11數(shù)據(jù)挖掘的社會需求現(xiàn)實情況：人類積累的數(shù)據(jù)量以每月高于15%的速度增加，如果不借助強(qiáng)有力的挖掘工具，僅依靠人的能力來理解這些數(shù)據(jù)是不可能的?，F(xiàn)在人們已經(jīng)評估出世界上信息的數(shù)量每二十個月翻一番，并且數(shù)據(jù)庫的數(shù)量與大小正在以更快的速度增長。11數(shù)據(jù)挖掘的社會需求 著名的“啤酒尿布”案例：美國加州某個超級賣場通過數(shù)據(jù)挖掘發(fā)現(xiàn)，下班后前來購買嬰兒尿布的男顧客大都購買啤酒。于是經(jīng)理當(dāng)機(jī)立斷，重新布置貨架，把啤酒類商品布置在嬰兒尿布貨架附近，并在二者之間放置佐酒食品，同時還把男士日常用品就近布置。這樣，上述幾種商品的銷量大增。1.2 數(shù)據(jù)挖掘的定義技術(shù)定義 數(shù)據(jù)挖掘（Data Mini

2、ng）就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。1.2 數(shù)據(jù)挖掘的定義技術(shù)定義數(shù)據(jù)挖掘和信息檢索： 信息檢索和數(shù)據(jù)挖掘的相同點是從檔案文件或數(shù)據(jù)庫中抽取感興趣的數(shù)據(jù)和信息。區(qū)別在于數(shù)據(jù)檢索對信息的抽取規(guī)則是事先定義好的，抽取的是外在信息。據(jù)挖掘于挖掘?qū)ふ椰F(xiàn)象之間事先未知的關(guān)系和關(guān)聯(lián) 。1.2數(shù)據(jù)挖掘的定義商業(yè)定義 按企業(yè)既定業(yè)務(wù)目標(biāo)，對大量的企業(yè)數(shù)據(jù)進(jìn)行探索和分析，揭示隱藏的、未知的或驗證已知的規(guī)律性，并進(jìn)一步將其模型化的先進(jìn)有效的方法。數(shù)據(jù)挖掘是從海量數(shù)據(jù)中提取隱含在其中的有用信息和知識的過程。它可以

3、幫助企業(yè)對數(shù)據(jù)進(jìn)行微觀、中觀乃至宏觀的統(tǒng)計、分析、綜合和推理，從而利用已有數(shù)據(jù)預(yù)測未來，幫助企業(yè)贏得競爭優(yōu)勢。 1.2數(shù)據(jù)挖掘的定義商業(yè)定義 應(yīng)用實例：某經(jīng)營公司對多年來的客戶資料進(jìn)行挖掘后發(fā)現(xiàn)，大多數(shù)購買電腦的客戶具有下面的特點：1、年輕（2045歲之間）；2、收入高；3、居住地：城市；4、學(xué)歷高；基于此，此經(jīng)營公司可以根據(jù)這些客戶的特點有目的的做一些廣告或者促銷。1.3數(shù)據(jù)挖掘的發(fā)展歷史歷史發(fā)展v1989 IJCAI會議：會議： 數(shù)據(jù)庫中的知識發(fā)現(xiàn)討論專題數(shù)據(jù)庫中的知識發(fā)現(xiàn)討論專題Knowledge Discovery in Databases (G. Piatetsky-Shapiro

4、and W. Frawley, 1991)v1991-1994 KDD討論專題討論專題Advances in Knowledge Discovery and Data Mining (U. Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy, 1996)v1995-1998 KDD國際會議國際會議 (KDD95-98)Journal of Data Mining and Knowledge Discovery (1997)v1998 ACM SIGKDD, SIGKDD1999-2002 會議會議,以及以及SIGKDD Explo

5、rationsv數(shù)據(jù)挖掘方面更多的國際會議數(shù)據(jù)挖掘方面更多的國際會議PAKDD, PKDD, SIAM-Data Mining, (IEEE) ICDM, DaWaK, SPIE-DM, etc.1.3數(shù)據(jù)挖掘的發(fā)展歷史數(shù)據(jù)挖掘的發(fā)展歷史國內(nèi)現(xiàn)狀國內(nèi)現(xiàn)狀v大部分處于科研階段大部分處于科研階段v各大學(xué)和科研機(jī)構(gòu)從事數(shù)據(jù)挖掘算法的研究各大學(xué)和科研機(jī)構(gòu)從事數(shù)據(jù)挖掘算法的研究v國內(nèi)著作的數(shù)據(jù)挖掘方面的書較少（翻譯的有）國內(nèi)著作的數(shù)據(jù)挖掘方面的書較少（翻譯的有）v數(shù)據(jù)挖掘討論組（數(shù)據(jù)挖掘討論組（ ）v有一些公司在國外產(chǎn)品基礎(chǔ)上開發(fā)的特定的應(yīng)用有一些公司在國外產(chǎn)品基礎(chǔ)上開發(fā)的特定的

6、應(yīng)用vIBM Intelligent MinervSAS Enterprise Minerv自主知識產(chǎn)權(quán)的數(shù)據(jù)挖掘軟件自主知識產(chǎn)權(quán)的數(shù)據(jù)挖掘軟件v復(fù)旦德門（復(fù)旦德門（ datamining ）等）等1.3數(shù)據(jù)挖掘的發(fā)展歷史數(shù)據(jù)挖掘的發(fā)展歷史未來發(fā)展未來發(fā)展v數(shù)據(jù)庫v人工智能v統(tǒng)計學(xué) 上述學(xué)科的發(fā)展決定著數(shù)據(jù)挖掘的發(fā)展未來和方向1.4數(shù)據(jù)挖掘的系統(tǒng)分類 數(shù)據(jù)挖掘是一個交叉學(xué)科領(lǐng)域，受多個學(xué)科影響，包括數(shù)據(jù)庫系統(tǒng)、統(tǒng)計學(xué)、機(jī)器學(xué)習(xí)、可視化和信息科學(xué) 。圖1-2 數(shù)據(jù)挖掘受多門學(xué)科影響的示意圖1.4數(shù)據(jù)挖掘的系統(tǒng)分類v技術(shù)分類技術(shù)分類預(yù)言（預(yù)言（Predication）：用歷史預(yù)測未來）：用歷史預(yù)測

7、未來描述（描述（Description）：了解數(shù)據(jù)中潛在的規(guī)律）：了解數(shù)據(jù)中潛在的規(guī)律v數(shù)據(jù)挖掘技術(shù)數(shù)據(jù)挖掘技術(shù)關(guān)聯(lián)分析關(guān)聯(lián)分析序列發(fā)現(xiàn)序列發(fā)現(xiàn)分類（預(yù)言）分類（預(yù)言）聚集聚集異常檢測異常檢測匯總匯總回歸回歸時間序列分析時間序列分析1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域v金融領(lǐng)域v營銷領(lǐng)域v電子政務(wù)v電信領(lǐng)域v工業(yè)生產(chǎn)v生物和醫(yī)學(xué)1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域應(yīng)用調(diào)查1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域金融v信用卡分析業(yè)務(wù)模型信用卡分析業(yè)務(wù)模型客戶信用等級評估客戶信用等級評估客戶透支分析客戶透支分析客戶利潤分析客戶利潤分析客戶消費行為分析客戶消費行為分析 客戶消費異常行為分析客戶消費異常行為分析1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域金融數(shù)

8、據(jù)挖掘在反洗錢系統(tǒng)中的應(yīng)用1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域營銷v關(guān)聯(lián)分析-市場籃子分析，用于了解顧客的購買習(xí)慣和偏好，有助于決定市場商品的擺放和產(chǎn)品的捆綁銷售策略；v序列模式與市場籃子分析相似，不過是用某時間點發(fā)現(xiàn)的產(chǎn)品購買或其他行為模式來預(yù)測將來購買產(chǎn)品或服務(wù)類別的概率；v聚類用于市場細(xì)分，將顧客按其行為或特征模式的相似性劃分為若干細(xì)分市場，以采取有針對性的營銷策略；v分類用于預(yù)測哪些人會對郵寄廣告和產(chǎn)品目錄、贈券等促銷手段有反應(yīng),還可用于顧客定級、破產(chǎn)預(yù)測等。 1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域營銷數(shù)據(jù)挖掘在營銷中的應(yīng)用流程1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域營銷v應(yīng)用實例1：美國運通公司(American Expre

9、ss)有一個用于記錄信用卡業(yè)務(wù)的數(shù)據(jù)庫，通過對這些數(shù)據(jù)進(jìn)行挖掘，制定了“關(guān)聯(lián)結(jié)算(Relationship Billing)優(yōu)惠”的促銷策略，即如果一個顧客在一個商店用運通卡購買一套時裝，那么在同一個商店再買一雙鞋,就可以得到比較大的折扣，既增加了商店的銷售量，也可以增加運通卡在該商店的使用率。1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域營銷v應(yīng)用實例2：美國的讀者文摘(Reader s Digest)出版公司運行著一個積累了40年的業(yè)務(wù)數(shù)據(jù)庫,其中容納有遍布全球的一億多個訂戶的資料，并保證數(shù)據(jù)不斷得到實時的更新，基于對客戶資料數(shù)據(jù)庫進(jìn)行數(shù)據(jù)挖掘的優(yōu)勢，使讀者文摘出版公司能夠從通俗雜志擴(kuò)展到專業(yè)雜志、書刊和聲像制

10、品的出版和發(fā)行業(yè)務(wù)，極大地擴(kuò)展了自己的業(yè)務(wù)范圍。1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域電子政務(wù)v電子政務(wù)數(shù)據(jù)挖掘是把數(shù)據(jù)挖掘及時折射到政府部門，使政府部門的內(nèi)部信息與外部信息進(jìn)行有效地整合，以便政府部門可以更好、更有效地將信息發(fā)布給最希望得到它們的公眾，從而使政府部分更好地服務(wù)與公眾。另外,由于政府各部門自動化的實現(xiàn),產(chǎn)生了大量的數(shù)據(jù)，對這些數(shù)據(jù)進(jìn)行收集和分析，可以獲得影響政府部門工作的關(guān)鍵因素，從而為政府部門決策提供依據(jù)，幫助政府部門提高政府信息化水平，促進(jìn)整個社會的信息化。1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域電信v目前,數(shù)據(jù)挖掘技術(shù)在電信CRM系中的應(yīng)用有以下幾個方面:v客戶獲得v交叉銷售(Cross_sellin

11、g)v客戶保持 v一對一營銷 1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域工業(yè)生產(chǎn)v在生產(chǎn)工業(yè)領(lǐng)域，大部分工廠都積累了大量的實際生產(chǎn)數(shù)據(jù)，這些數(shù)據(jù)大多以數(shù)據(jù)庫、數(shù)據(jù)文件、生產(chǎn)記錄等形式存在，它們蘊涵了與生產(chǎn)設(shè)備、生產(chǎn)過程相關(guān)的許多規(guī)律性知識和生產(chǎn)決策、操作人員的操作決策和控制經(jīng)驗。 v應(yīng)用方法：(1)建立過程輸入輸出模型，以此模型為指導(dǎo)尋求最優(yōu)的操作和控制條件；(2)構(gòu)造數(shù)據(jù)樣本后，根據(jù)某種評估分類方法選出優(yōu)選樣本，根據(jù)優(yōu)選樣本的分布確定可探最優(yōu)區(qū)，確定優(yōu)化方向。 1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域工業(yè)生產(chǎn)數(shù)據(jù)挖掘在工業(yè)生產(chǎn)中的應(yīng)用示意圖1.5數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域生物醫(yī)學(xué)v海量的生物信息學(xué)信息，如基因；v遠(yuǎn)程數(shù)據(jù)庫的出現(xiàn)；v

12、萬維網(wǎng)上涌現(xiàn)出大量的生物學(xué)數(shù)據(jù)庫 ；v美國國立生物技術(shù)信息中心網(wǎng)站 （NCBI）1.6數(shù)據(jù)挖掘規(guī)范和標(biāo)準(zhǔn)v產(chǎn)生的模式種類的多少v解決復(fù)雜問題的能力 多種模式 多種算法 數(shù)據(jù)選擇 可視化 擴(kuò)展性 v易操作性 v數(shù)據(jù)存取能力 v與其他產(chǎn)品的接口 1.7數(shù)據(jù)挖掘面臨的挑戰(zhàn)和局限性v處理不同種類的數(shù)據(jù) v數(shù)據(jù)挖掘算法的效率及擴(kuò)展性 v數(shù)據(jù)挖掘結(jié)果的可用性、確定性及可表達(dá)性v 各種數(shù)據(jù)挖掘結(jié)果的表達(dá) v多抽象層交互挖掘知識 v從不同的數(shù)據(jù)源中挖掘信息 v 隱私保護(hù)及數(shù)據(jù)安全 1.8數(shù)據(jù)挖掘的發(fā)展趨勢WEB挖掘vWeb 數(shù)據(jù)的收集，結(jié)構(gòu)轉(zhuǎn)換等預(yù)處理技術(shù)的研究；v現(xiàn)有的數(shù)據(jù)挖掘方法在適應(yīng)性和時效性方面的研究v基于Web 挖掘和信息檢索的智能搜索引擎及相關(guān)技術(shù)的研究；vWeb 挖掘在特定領(lǐng)域如電子商務(wù)領(lǐng)域的應(yīng)用研究；v半結(jié)構(gòu)化文檔挖掘。1.8 數(shù)據(jù)挖掘發(fā)展趨勢數(shù)據(jù)挖掘發(fā)展趨勢v數(shù)據(jù)源十分豐富，數(shù)據(jù)量非常龐大，數(shù)據(jù)類型多，存取方法復(fù)雜；v應(yīng)用領(lǐng)域十分廣泛，只要與空間位置