中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
高維稀疏數據聚類知識發現理論 版權信息
- ISBN：9787030734907
- 條形碼：9787030734907 ; 978-7-03-073490-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
高維稀疏數據聚類知識發現理論 本書特色
本書適用于數據挖掘領域的研究人員和應用人員，也可作為相關專業博士研究生、碩士研究生和本科生的參考書。
高維稀疏數據聚類知識發現理論 內容簡介
本書面向數據庫知識發現的聚類任務，針對高維數據普遍具有的稀疏特征，系統闡述高維稀疏數據聚類知識發現的理論和方法。全書共12章，第1章和第2章系統總結聚類知識發現、高維稀疏數據聚類知識發現理論體系；第3~5章闡述高維稀疏數據聚類原理及分類屬性數據、數值屬性數據的系列聚類算法；第6~10章將高維稀疏數據聚類原理拓展到不完備數據、大規模數據、過程調整和參數自適應聚類；第11章闡述聚類趨勢發現；第12章介紹高維稀疏數據聚類知識發現面向管理問題的應用、面向數據組織的應用及相關實現技術。 本書適用于數據挖掘領域的研究人員和應用人員，也可作為相關專業博士研究生、碩士研究生和本科生的參考書。
高維稀疏數據聚類知識發現理論 目錄
目錄
前言
第1章 聚類知識發現 1
1.1 數據庫知識發現 1
1.1.1 數據庫知識發現的產生與發展 1
1.1.2 數據庫知識發現的處理過程 2
1.1.3 數據庫知識發現的主要任務 3
1.1.4 數據倉庫與數據挖掘 4
1.2 數據類型及差異度計算 5
1.2.1 二值屬性 5
1.2.2 分類屬性 7
1.2.3 數值屬性 7
1.2.4 混合屬性 8
1.3 主要的聚類方法 10
1.3.1 分割聚類 10
1.3.2 層次聚類 12
1.3.3 基于密度的聚類 14
1.4 聚類方法的新進展 15
1.4.1 智能聚類 15
1.4.2 大數據聚類 16
1.5 本章要點 17
第2章 高維稀疏數據聚類知識發現理論體系 18
2.1 聚類研究的重點和難點 18
2.2 高維稀疏數據聚類問題 20
2.3 二值屬性高維稀疏數據聚類原理 22
2.4 高維稀疏數據聚類拓展 24
2.4.1 分類、數值和混合屬性數據 24
2.4.2 不完備數據 25
2.4.3 大規模數據 26
2.4.4 聚類過程調整 27
2.4.5 參數自適應 27
2.5 本章要點 29
第3章 二值屬性高維稀疏數據聚類 30
3.1 概念基礎 30
3.1.1 集合的稀疏差異度 30
3.1.2 集合的稀疏特征向量 31
3.1.3 稀疏特征向量的可加性 32
3.2 聚類過程 34
3.2.1 算法的兩層結構 35
3.2.2 算法步驟 36
3.3 算法示例 37
3.3.1 聚類過程 38
3.3.2 聚類結果及分析 39
3.4 本章要點 40
第4章 分類屬性高維稀疏數據聚類 42
4.1 基于稀疏特征向量的聚類 42
4.1.1 概念基礎 42
4.1.2 算法步驟 44
4.1.3 分類屬性數據聚類示例 45
4.1.4 分類屬性稀疏數據聚類示例 47
4.2 基于集合差異度的聚類 48
4.2.1 概念基礎 48
4.2.2 算法步驟 50
4.2.3 算法示例 51
4.3 拓展稀疏差異度聚類 53
4.3.1 集合的拓展稀疏差異度 53
4.3.2 集合的拓展稀疏特征向量 54
4.3.3 相關定理 55
4.3.4 算法步驟 55
4.4 稀疏性指數排序聚類 56
4.4.1 稀疏性指數相關概念 57
4.4.2 稀疏性指數排序 57
4.4.3 算法步驟 58
4.4.4 算法示例 58
4.5 不干涉序列加權排序聚類 60
4.5.1 不干涉序列指數 60
4.5.2 相關定理 61
4.5.3 排序示例 64
4.5.4 算法步驟 65
4.6 基于位集的聚類 66
4.6.1 分類屬性數據對象的位集表示 66
4.6.2 位集差異度的定義及其性質 66
4.6.3 相關定理 67
4.6.4 算法步驟 69
4.7 本章要點 70
第5章 數值屬性高維稀疏數據聚類 71
5.1 稀疏特征聚類 71
5.1.1 聚類思想 71
5.1.2 稀疏特征 72
5.1.3 對象的稀疏差異度 73
5.1.4 兩階段處理過程 74
5.1.5 算法步驟 75
5.1.6 算法示例 76
5.2 模糊離散化數據聚類 81
5.2.1 屬性組合 81
5.2.2 模糊離散化 82
5.2.3 隸屬度下限 83
5.2.4 算法步驟 83
5.2.5 算法示例 84
5.3 本章要點 88
第6章 不完備分類屬性數據聚類 89
6.1 容差集合差異度聚類 89
6.1.1 容差集合差異度 89
6.1.2 容差集合精簡 90
6.1.3 相關定理 91
6.1.4 算法步驟 92
6.2 約束容差集合差異度聚類 93
6.2.1 約束容差集合差異度 93
6.2.2 約束容差集合精簡 95
6.2.3 相關定理 96
6.2.4 算法步驟 98
6.3 基于約束容差集合差異度聚類的缺失數據填補 99
6.3.1 填補思想 99
6.3.2 約束容差集合精簡不變定理 101
6.3.3 填補過程 102
6.4 缺失數據填補實驗分析 103
6.4.1 數據集 103
6.4.2 補齊率分析 104
6.4.3 填補正確率分析 106
6.4.4 填補后聚類正確率分析 109
6.4.5 時間效率分析 111
6.4.6 參數分析 113
6.5 本章要點 115
第7章 不完備混合屬性數據聚類 116
7.1 對象混合差異度聚類 116
7.1.1 聚類思想 116
7.1.2 對象混合差異度 117
7.1.3 基于*近鄰的初始原型對象選擇 118
7.1.4 算法步驟 119
7.2 集合混合差異度聚類 119
7.2.1 集合混合差異度 120
7.2.2 集合混合特征向量 121
7.2.3 集合混合特征向量的可加性 122
7.2.4 算法步驟 123
7.3 基于集合混合差異度聚類的缺失數據填補 124
7.3.1 填補思想 124
7.3.2 概念基礎 125
7.3.3 填補過程 126
7.4 缺失數據填補實驗分析 127
7.4.1 數據集 127
7.4.2 分類屬性填補分析 128
7.4.3 數值屬性填補分析 129
7.5 本章要點 131
第8章 大規模高維稀疏數據聚類 132
8.1 基于抽樣的聚類 132
8.1.1 基于抽樣的聚類思想 132
8.1.2 確界表示的概念基礎 136
8.1.3 高維稀疏類的確界表示 137
8.1.4 基于確界表示的非樣本對象分配 138
8.1.5 非樣本對象分配示例 139
8.2 并行聚類 141
8.2.1 并行策略 141
8.2.2 算法步驟 142
8.2.3 聚類正確性實驗分析 143
8.2.4 規模擴展性實驗分析 145
8.3 本章要點 147
第9章 參數自適應的高維稀疏數據聚類 148
9.1 稀疏差異度啟發式聚類 148
9.1.1 啟發式聚類思想 148
9.1.2 內部有效性評價指標 149
9.1.3 概念基礎 151
9.1.4 聚類過程 153
9.2 拓展位集差異度聚類 155
9.2.1 拓展位集差異度 156
9.2.2 算法步驟 159
9.2.3 差異度調整指數分析 160
9.2.4 閾值確定方法 161
9.3 無參數聚類 162
9.3.1 稀疏差異度閾值范圍的確定 162
9.3.2 考慮數據排序的調整稀疏特征向量 163
9.3.3 無參數聚類過程 164
9.3.4 算法計算時間復雜度 165
9.4 本章要點 166
第10章 高維稀疏數據調整聚類 167
10.1 高維稀疏數據雙向聚類 167
10.1.1 集合的雙向稀疏特征向量 167
10.1.2 雙向稀疏特征向量的可加性 168
10.1.3 雙向稀疏特征向量的可減性 170
10.1.4 聚類過程 171
10.1.5 算法示例 172
10.2 高維稀疏數據優化調整聚類 174
10.2.1 聚類思想 174
10.2.2 聚類過程 176
10.2.3 算法示例 177
10.3 本章要點 179
第11章 聚類趨勢發現 180
11.1 聚類趨勢發現問題 180
11.1.1 問題提出 180
11.1.2 問題難點 181
11.1.3 聚類趨勢發現思想 182
11.2 概念基礎 182
11.2.1 穩定原子類 182
11.2.2 距離趨勢的計算 183
11.3 聚類過程 184
11.3.1 算法步驟 184
11.3.2 數據關系 185
11.4 算法示例 187
11.4.1 問題描述 187
11.4.2 過程及結果 188
11.5 本章要點 189
第12章 高維稀疏數據聚類知識發現應用 190
12.1 面向管理問題的應用 190
12.1.1 高維稀疏客戶數據存儲 190
12.1.2 圖書館讀者群劃分 193
12.1.3 漢語詞匯聚類分析 195
12.1.4 文獻知識結構識別 197
12.2 面向數據組織的應用 200
12.2.1 多維數據建模 200
12.2.2 數據準備 203
12.2.3 聚類數據預處理 205
12.2.4 維表數據生成 206
12.2.5 事實表數據生成 208
12.2.6 數據分析實現 209
12.3 本章要點 212
參考文獻 213
索引 218
后記 224
前言
第1章 聚類知識發現 1
1.1 數據庫知識發現 1
1.1.1 數據庫知識發現的產生與發展 1
1.1.2 數據庫知識發現的處理過程 2
1.1.3 數據庫知識發現的主要任務 3
1.1.4 數據倉庫與數據挖掘 4
1.2 數據類型及差異度計算 5
1.2.1 二值屬性 5
1.2.2 分類屬性 7
1.2.3 數值屬性 7
1.2.4 混合屬性 8
1.3 主要的聚類方法 10
1.3.1 分割聚類 10
1.3.2 層次聚類 12
1.3.3 基于密度的聚類 14
1.4 聚類方法的新進展 15
1.4.1 智能聚類 15
1.4.2 大數據聚類 16
1.5 本章要點 17
第2章 高維稀疏數據聚類知識發現理論體系 18
2.1 聚類研究的重點和難點 18
2.2 高維稀疏數據聚類問題 20
2.3 二值屬性高維稀疏數據聚類原理 22
2.4 高維稀疏數據聚類拓展 24
2.4.1 分類、數值和混合屬性數據 24
2.4.2 不完備數據 25
2.4.3 大規模數據 26
2.4.4 聚類過程調整 27
2.4.5 參數自適應 27
2.5 本章要點 29
第3章 二值屬性高維稀疏數據聚類 30
3.1 概念基礎 30
3.1.1 集合的稀疏差異度 30
3.1.2 集合的稀疏特征向量 31
3.1.3 稀疏特征向量的可加性 32
3.2 聚類過程 34
3.2.1 算法的兩層結構 35
3.2.2 算法步驟 36
3.3 算法示例 37
3.3.1 聚類過程 38
3.3.2 聚類結果及分析 39
3.4 本章要點 40
第4章 分類屬性高維稀疏數據聚類 42
4.1 基于稀疏特征向量的聚類 42
4.1.1 概念基礎 42
4.1.2 算法步驟 44
4.1.3 分類屬性數據聚類示例 45
4.1.4 分類屬性稀疏數據聚類示例 47
4.2 基于集合差異度的聚類 48
4.2.1 概念基礎 48
4.2.2 算法步驟 50
4.2.3 算法示例 51
4.3 拓展稀疏差異度聚類 53
4.3.1 集合的拓展稀疏差異度 53
4.3.2 集合的拓展稀疏特征向量 54
4.3.3 相關定理 55
4.3.4 算法步驟 55
4.4 稀疏性指數排序聚類 56
4.4.1 稀疏性指數相關概念 57
4.4.2 稀疏性指數排序 57
4.4.3 算法步驟 58
4.4.4 算法示例 58
4.5 不干涉序列加權排序聚類 60
4.5.1 不干涉序列指數 60
4.5.2 相關定理 61
4.5.3 排序示例 64
4.5.4 算法步驟 65
4.6 基于位集的聚類 66
4.6.1 分類屬性數據對象的位集表示 66
4.6.2 位集差異度的定義及其性質 66
4.6.3 相關定理 67
4.6.4 算法步驟 69
4.7 本章要點 70
第5章 數值屬性高維稀疏數據聚類 71
5.1 稀疏特征聚類 71
5.1.1 聚類思想 71
5.1.2 稀疏特征 72
5.1.3 對象的稀疏差異度 73
5.1.4 兩階段處理過程 74
5.1.5 算法步驟 75
5.1.6 算法示例 76
5.2 模糊離散化數據聚類 81
5.2.1 屬性組合 81
5.2.2 模糊離散化 82
5.2.3 隸屬度下限 83
5.2.4 算法步驟 83
5.2.5 算法示例 84
5.3 本章要點 88
第6章 不完備分類屬性數據聚類 89
6.1 容差集合差異度聚類 89
6.1.1 容差集合差異度 89
6.1.2 容差集合精簡 90
6.1.3 相關定理 91
6.1.4 算法步驟 92
6.2 約束容差集合差異度聚類 93
6.2.1 約束容差集合差異度 93
6.2.2 約束容差集合精簡 95
6.2.3 相關定理 96
6.2.4 算法步驟 98
6.3 基于約束容差集合差異度聚類的缺失數據填補 99
6.3.1 填補思想 99
6.3.2 約束容差集合精簡不變定理 101
6.3.3 填補過程 102
6.4 缺失數據填補實驗分析 103
6.4.1 數據集 103
6.4.2 補齊率分析 104
6.4.3 填補正確率分析 106
6.4.4 填補后聚類正確率分析 109
6.4.5 時間效率分析 111
6.4.6 參數分析 113
6.5 本章要點 115
第7章 不完備混合屬性數據聚類 116
7.1 對象混合差異度聚類 116
7.1.1 聚類思想 116
7.1.2 對象混合差異度 117
7.1.3 基于*近鄰的初始原型對象選擇 118
7.1.4 算法步驟 119
7.2 集合混合差異度聚類 119
7.2.1 集合混合差異度 120
7.2.2 集合混合特征向量 121
7.2.3 集合混合特征向量的可加性 122
7.2.4 算法步驟 123
7.3 基于集合混合差異度聚類的缺失數據填補 124
7.3.1 填補思想 124
7.3.2 概念基礎 125
7.3.3 填補過程 126
7.4 缺失數據填補實驗分析 127
7.4.1 數據集 127
7.4.2 分類屬性填補分析 128
7.4.3 數值屬性填補分析 129
7.5 本章要點 131
第8章 大規模高維稀疏數據聚類 132
8.1 基于抽樣的聚類 132
8.1.1 基于抽樣的聚類思想 132
8.1.2 確界表示的概念基礎 136
8.1.3 高維稀疏類的確界表示 137
8.1.4 基于確界表示的非樣本對象分配 138
8.1.5 非樣本對象分配示例 139
8.2 并行聚類 141
8.2.1 并行策略 141
8.2.2 算法步驟 142
8.2.3 聚類正確性實驗分析 143
8.2.4 規模擴展性實驗分析 145
8.3 本章要點 147
第9章 參數自適應的高維稀疏數據聚類 148
9.1 稀疏差異度啟發式聚類 148
9.1.1 啟發式聚類思想 148
9.1.2 內部有效性評價指標 149
9.1.3 概念基礎 151
9.1.4 聚類過程 153
9.2 拓展位集差異度聚類 155
9.2.1 拓展位集差異度 156
9.2.2 算法步驟 159
9.2.3 差異度調整指數分析 160
9.2.4 閾值確定方法 161
9.3 無參數聚類 162
9.3.1 稀疏差異度閾值范圍的確定 162
9.3.2 考慮數據排序的調整稀疏特征向量 163
9.3.3 無參數聚類過程 164
9.3.4 算法計算時間復雜度 165
9.4 本章要點 166
第10章 高維稀疏數據調整聚類 167
10.1 高維稀疏數據雙向聚類 167
10.1.1 集合的雙向稀疏特征向量 167
10.1.2 雙向稀疏特征向量的可加性 168
10.1.3 雙向稀疏特征向量的可減性 170
10.1.4 聚類過程 171
10.1.5 算法示例 172
10.2 高維稀疏數據優化調整聚類 174
10.2.1 聚類思想 174
10.2.2 聚類過程 176
10.2.3 算法示例 177
10.3 本章要點 179
第11章 聚類趨勢發現 180
11.1 聚類趨勢發現問題 180
11.1.1 問題提出 180
11.1.2 問題難點 181
11.1.3 聚類趨勢發現思想 182
11.2 概念基礎 182
11.2.1 穩定原子類 182
11.2.2 距離趨勢的計算 183
11.3 聚類過程 184
11.3.1 算法步驟 184
11.3.2 數據關系 185
11.4 算法示例 187
11.4.1 問題描述 187
11.4.2 過程及結果 188
11.5 本章要點 189
第12章 高維稀疏數據聚類知識發現應用 190
12.1 面向管理問題的應用 190
12.1.1 高維稀疏客戶數據存儲 190
12.1.2 圖書館讀者群劃分 193
12.1.3 漢語詞匯聚類分析 195
12.1.4 文獻知識結構識別 197
12.2 面向數據組織的應用 200
12.2.1 多維數據建模 200
12.2.2 數據準備 203
12.2.3 聚類數據預處理 205
12.2.4 維表數據生成 206
12.2.5 事實表數據生成 208
12.2.6 數據分析實現 209
12.3 本章要點 212
參考文獻 213
索引 218
后記 224
展開全部
高維稀疏數據聚類知識發現理論 節選
第1章 聚類知識發現 本章介紹數據庫知識發現及其主要任務——聚類知識發現，給出聚類知識發現任務實現過程中不同取值類型數據差異度的計算方法，討論幾種主要的經典聚類方法及聚類方法的一些新進展。 1.1 數據庫知識發現 本節首先介紹數據庫知識發現的產生與發展及以數據挖掘為核心環節的處理過程，然后給出數據庫知識發現的主要任務，*后討論數據倉庫與數據挖掘。 1.1.1 數據庫知識發現的產生與發展 數據庫的廣泛應用和數據量的飛速增長，使人們迫切地感到需要新的技術和工具以支持從大量的數據中自動地、智能地抽取出有價值的信息或知識，于是數據庫知識發現（knowledge discovery in database，KDD）技術應運而生。 數據庫知識發現是從大量原始數據中挖掘出隱含的、有用的、尚未發現的信息和知識，其不僅被許多研究人員看作是數據庫系統和機器學習等方面一個重要的研究課題，而且被許多工商界人士看作是一個能帶來巨大回報的重要領域。“數據庫知識發現”一詞**次出現是在1989年8月美國底特律召開的第十一屆國際人工智能聯合會議的專題討論會上。1991年、1993年和1994年又分別舉行過數據庫知識發現專題討論會。由于參加會議的人數逐漸增多，所以從1995年開始，每年都要舉辦一次數據庫知識發現國際會議。隨著研究的不斷深入，人們對數據庫知識發現的理解越來越全面，對數據庫知識發現的定義也不斷修改，下面是對數據庫知識發現比較公認的一個定義：數據庫知識發現是從數據集中識別出可信、有效、新穎、潛在有用以及*終可理解模式的高級處理過程。 作為一門交叉性學科，數據庫知識發現受到來自各種研究領域學者的關注，所以有很多不同的名稱。其中，*常用的術語是數據庫知識發現和數據挖掘。相對來講，數據挖掘[3]主要流行于統計學、數據分析、數據庫和管理信息系統界；而數據庫知識發現則主要流行于人工智能和機器學習界。隨著數據庫知識發現的迅速發展和逐漸被各界所了解，較為普遍的觀點認為：數據挖掘是數據庫知識發現中專門負責發現知識的核心環節；而數據庫知識發現是一個交互式、循環反復的整體過程，除了包括數據挖掘，還包括數據準備和發現結果的解釋評估等諸多環節。 1.1.2 數據庫知識發現的處理過程 數據庫知識發現的處理過程如圖1-1所示，整個過程可以理解為三個階段：數據準備（data preparation）、數據挖掘（data mining）、解釋評估（interpretation and evaluation）[4]。 數據準備階段的工作包括四個方面的內容：數據的凈化、數據的集成、數據的應用變換和數據的精簡。 數據的凈化是清除數據源中不正確、不完整或其他方面不能達到數據挖掘質量要求的數據，如推導計算缺值數據、消除重復記錄等。數據凈化可以提高數據的質量，從而得到更準確的數據挖掘結果。 數據的集成是在數據挖掘所應用的數據來自多個數據源的情況下，將數據進行統一存儲，并需要消除其中的不一致性。 數據的應用變換就是為了使數據適用于計算的需要而進行的數據轉換。這種變換可能是現有數據不滿足分析需求而進行的，也可能是所應用的具體數據挖掘算法對數據提出的要求。 數據的精簡是對數據的數量進行縮減，或從初始特征中找出真正有用的特征來消減數據的維數，從而提高數據挖掘算法的效率與質量。 數據挖掘階段首先要確定挖掘的任務或目的，如數據總結、分類、聚類、關聯規則發現或序列模式發現等。在確定了數據挖掘任務后，就要決定使用什么樣的數據挖掘算法。同樣的，數據挖掘任務可以用不同的數據挖掘算法來實現，一般要考慮多方面的因素來確定具體的挖掘算法，例如，不同的數據有不同的特點，因此需要采用與之相關的算法來挖掘；用戶對數據挖掘有著不同的要求，有的用戶可能希望獲取描述性的、容易理解的知識，而有的用戶（或系統）的目的是獲取預測準確度盡可能高的預測性知識。 需要指出的是，盡管數據挖掘算法是數據庫知識發現的核心，也是目前研究人員主要努力的方向，但要獲得好的挖掘效果，必須對各種數據挖掘算法的要求或前提假設有充分的理解。 數據挖掘階段發現得到的模式，經過用戶或機器的評估，可能存在冗余或無關的模式，這時需要將其剔除；也有可能模式不滿足用戶要求，這時則需要整個發現過程退回到發現階段之前，如重新選取數據、采用新的數據變換方法、設定新的數據挖掘參數值，甚至換一種數據挖掘算法。另外，數據庫知識發現*終是面向用戶的，因此可能要對發現的模式進行可視化，或者把結果轉換為用戶易懂的方式進行表達。 1.1.3 數據庫知識發現的主要任務 數據庫知識發現的核心部分——數據挖掘，按照挖掘任務可以分為聚類知識發現、分類知識發現、關聯規則發現、數據總結、序列模式發現、依賴關系或依賴模型發現、異常發現和趨勢預測等。 聚類是一種基本的人類行為，在悠久的人類發展史中發揮著不可替代的作用[5]，其將數據對象分成若干個類或簇（cluster），使得同一類中的對象具有較高的相似度，而不同類中的對象差異度較大，進而識別隱藏在數據中的內在結構，應用非常廣泛[6-8]，既可作為獨立的方法來分析數據的分布情況，也可作為其他分析方法的數據預處理工具[9]。聚的依據是“物以類聚”，即按個體或數據對象間的相似性，將研究對象劃分為若干類。在數據挖掘之前，數據類劃分的數量與類型均是未知的，因此在數據挖掘后需要對數據挖掘結果進行合理的分析與解釋。 分類知識發現是根據樣本數據尋求相應的分類規則，然后根據獲得的分類規則確定某一非樣本個體或對象是否屬于某一特定的組或類。在這種分類知識發現中，樣本個體或對象的類標記是已知的。數據挖掘的任務在于從樣本數據的屬性中發現個體或對象分類的一般規則，從而根據該規則對非樣本數據對象進行分類應用。 關聯規則發現是在數據庫中尋找數據對象間的關聯模式，例如，在購買個人計算機的顧客中，90%也購買了打印機就是一種關聯模式。關聯規則發現主要用于零售業交易數據分析，以進行物品更合理的擺放，*終提高銷售量，該方法此時也直接稱為貨籃分析。 數據總結是將數據庫中的大量相關數據從較低概念層次抽象到較高概念層次的過程。計數、求和、求平均值、求*大值和*小值等計算都是數據總結的具體化。由于數據庫中的數據所包含的信息往往是*原始、*基本的信息，而有時人們需要從較高的層次上瀏覽數據，這就要求從不同的層次上對數據進行總結以滿足分析需要。 序列模式發現是在數據庫中尋找基于一段時間區間的關聯模式，例如，在某一時間購買個人計算機的所有顧客中，60%會在三個月內購買應用軟件就是一種序列模式。序列模式與關聯模式非常相似，區別在于序列模式表述基于時間的關系，而不是基于數據對象間的關系，在有些文獻中也稱其為基于時間的關聯規則發現。 依賴關系或依賴模型發現是通過對數據庫中數據的分析，獲取數據間的某種因果聯系。這種因果聯系既可能是內在的某種概率分布關系的描述，也可能是數據對象間存在的確定的函數關系。 異常發現用于在數據庫中發現數據中存在的偏差或異常。例如，下列幾種偏差或異常就應引起人們的關注：不符合任何一個標準類的異常，有時可能意味著嚴重的錯誤或欺詐；相鄰時間段內信息的異常變動，如二月份與一月份相比銷售收入的驟然升高。 趨勢預測是根據數據庫中的歷史信息對未來信息做出估計。實際上，預測這一數據挖掘任務并不一定是獨立的。一般來講，上述幾種數據挖掘任務的結果皆可以在分析后用于趨勢預測。 1.1.4 數據倉庫與數據挖掘 數據挖掘與數據庫新技術——數據倉庫（data warehouse）有著密切的關系。數據倉庫技術是近年來信息技術領域迅速發展起來的一種數據組織和管理技術。數據倉庫是面向主題的、綜合的、不同時間的、穩定的數據集合，它主要用于支持經營管理中的決策制定過程。數據倉庫中存儲面向分析型應用的集成數據，一般包含5～10年的歷史數據。 數據倉庫技術源于數據庫技術，它的主要設計思想是將分析決策所需的大量數據從傳統的操作環境中分離出來，把分散的、難以訪問的操作數據轉換成集中統一的、隨時可用的信息而建立的一種數據庫存儲環境。可以說，數據倉庫是一種專門的數據存儲，用于支持分析型的數據處理。如何將數據倉庫與數據挖掘結合在一起來更好地支持分析決策也得到了研究人員的普遍關注。數據倉庫為數據挖掘提供了數據基礎，在數據倉庫中進行數據挖掘也對數據挖掘算法提出了更高的要求。 （1）數據倉庫中集成和存儲著來自若干異構的數據源的信息。這些數據源本身就可能是一個規模龐大的數據庫，有著比一般數據庫系統更大的數據規模。這就要求在數據倉庫中進行數據挖掘的算法必須更有效、更快速。 （2）在一般的數據庫中，為了提高系統的效率，一般會盡可能少地保留歷史信息。而數據倉庫具有一個重要的特征，即具有長時間的歷史數據存儲。存儲長時間歷史數據的目的就是進行數據長期趨勢的分析，數據倉庫為決策者的長期決策行為提供了有力的數據支持。然而，數據倉庫中的數據在時間軸上的特征，在一定程度上增加了數據挖掘的難度。 另外，數據倉庫也為數據挖掘創造了更方便的數據條件，體現在如下方面。 （1）從一個企業的角度來看，數據倉庫集成了企業內各部門全面的、綜合的數據。數據挖掘要面對企業全局模式的知識發現。從這一點上講，基于數據倉庫的數據挖掘能更好地滿足高層戰略決策的要求，而且數據倉庫大大地降低了數據挖掘的障礙。數據挖掘一般要求大量的數據準備工作，而數據倉庫中的數據已經被充分收集起來，進行了整理、合并，并且有些還進行了初步的分析處理。這樣，可以集中精力在數據挖掘核心處理階段。另外，數據倉庫中對數據不同粒度的集成和綜合，更有效地支持了多層次、多種知識的挖掘。 （2）數據倉庫是面向決策支持的，因此它的體系結構努力保證查詢和分析的有效性；而一般的聯機事務處理系統則主要要求更新的實時性。一般的數據倉庫設計成只讀方式，*終用戶不能更新數據。數據倉庫中的數據更新由專門的一套機制來實現。數據倉庫對查詢的強大支持使數據挖掘效率更高，挖掘過程可以做到實時交互，使決策者的思維保持連續，有可能發現更深入、更有價值的知識。 數據倉庫完成了數據的收集、集成、存儲、管理等工作，數據挖掘面對經過初步加工的數據，能更專注于知識的發現過程；另外，由于數據倉庫所具有的新特點，又對數據挖掘技術提出了更高的要求。可以說，數據挖掘技術和數據倉庫技術結合起來，能夠更充分地發揮其潛力。 1.2 數據類型及差異度計算 聚類的主要依據是對象間的相似性。確定對象之間是否相似，一般是通過計算對象之間的差異度來完成的。當對象屬性取值類型不同時，差異度的計算方法也不相同。下面給出對象屬性取值分別為二值屬性、分類屬性、數值屬性和混合屬性時的差異度計算方法。 1.2.1 二值屬性 二值屬性（binary attribute）是指只能有兩種取值的屬性，一般用1來表示其中的一種取值，用0來表示另外一種取值。 假設有個對象，描述每個對象的個屬性值皆為二值屬性，則計算對象與對象（）之間的差異度需要通過下面兩個步驟來完成。 1.統計二值屬性取值 二值屬性取值統計如表1-1所示，其中，為對象和對象取值皆為1的屬性個數，為對象取值為1而對象取值為0的屬性個數，為對象取值為0而對象取值為1的屬性個數，為對象和對象取值皆為0的屬性個數。的和為每個對象的屬性總數。 2. 根據統計結果進行差異度的計算 對象與對象之間的差異度可以通過下面的公式來計算： （1-1） 實際上，式（1-1）更適用于二值屬性取值對稱的情況，即二值屬性取值為1或0是同等重要的，沒有主次之分，因此（和同時取值為1）和（和同時取值為0）兩個統
書友推薦
- >
唐代進士錄
- >
月亮與六便士
- >
推拿
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
經典常談
- >
小考拉的故事-套裝共3冊
- >
有舍有得是人生
- >
李白與唐代文化
本類暢銷
