数据挖掘中数据质量分析方法简介
数据挖掘中数据质量分析方法简介
邮政电信行业部徐俊军
产品研发中心贺建珲
北京华胜天成科技股份有限公司
2008年6月
众所周知，在BI项目中数据质量问题十分重要。这里我们将向大家介绍数据挖掘中使用的一些数据质量分析方法。在向大家介绍数据挖掘相关技术的同时，也希望这些简便易行的方法能够对大家在BI项目实施中有所助益。
1 概述
数据质量分析是数据挖掘中数据准备过程的重要一环，是数据探索的前提。我们常说，“Garbage in, Garbage out”。数据质量的重要性无论如何强调都是不过分的。没有可信的数据，数据挖掘构建的模型将是空中楼阁。
1.1数据质量检查的目的
数据挖掘的数据质量分析是以数据的提供信息的正确性和有效性为目标，而在通常的BI项目中主要关注正确性。
保证数据的正确性自然是数据质量分析的目的。但数据挖掘中数据质量重点关注的是对建模效果影响大小，对质量的评估也是以对后续挖掘建模影响为原则。
如在电信客户流失分析时，我们发现有国际漫游通话的客户比例极小，例如只有不到0.01%的客户有此行为。这时，即便国际漫游通话时长的统计正确性毫无问题，我们也认为该变量缺少有效的信息而有数据质量问题。因为该变量提供的信息只可能对最多0.01%的客户产生影响，对未来预测模型的贡献实在太微乎其微。
1.2数据质量检查的方法
在BI实施中通常的数据质量检查方法有两种：
◆与源系统对照
这是我们在ETL开发和测试中常用的方法。将数据仓库或最终报表中的数据与源系统的数据或报表进行一一比对，是数据质量检查最全面细致的检查方法。
◆业务经验判断
这是我们在ETL维护过程中常用的方法。依靠对业务相关知识的经验来判断指标是否在合理的范围。如，业务收入要在一定范围内，可以设置最高、最低的数值来判断是否出现异常；存量用户数通常每月之间上下波动不会超过5%，如果超过则一般可能是数据处理出了问题。依靠经验，我们就可以在ETL流程中加入自动的数据质量检查，当发现异常出现时可以及早通知ETL维护人员进行检查，以预防将错误的数据发布出去。
在数据挖掘实施中，由于一般都以数据仓库为数据源，因此通常我们不做数据核对。同时我们通常假定挖掘建模人员对业务和数据本身并不十分熟悉，所以也很难用经验数值的方式进行判断。而数据挖掘对数据的有效性检查，也是需要专门的分析。
数据挖掘的数据质量检查方法主要有：
◆值分析
◆统计分析
◆频次与直方图分析
◆相关性分析
2 数据质量分析方法
数据挖掘中数据质量分析的对象主要是宽表。宽表通常是在数据仓库基础上建立的客户信息列表，一般其中每条纪录对应一个客户某个时间的各种信息。其中用于分析建模的字段我们称为变量。
对于变量，我们通常按照取值类型分为：数值变量和分类变量。对于数值变量，还可以进一步分为离散型变量、连续型变量。分类变量通常对应数据仓库中的维度，而数值变量通常对应指标。
本文中我们主要介绍值分析、统计分析、频次和直方图分析方法。
2.1值分析
值分析通常是进行数据质量分析的第一步，它可以帮助我们在总体上分析数据的自然分布情况。比如,数据是否只有唯一值, 该变量中有多少空值等。
值分析是我们常用方法中最简单的一种。它的分析信息统计简便，信息含义清晰易理解。但它却是最有效的分析方法，因为它能够快速的给出明确的结论。
2.1.1分析方法
进行值分析时，我们对宽表中变量进行取值情况的统计。具体统计信息为：
◆总记录数
◆唯一值数：该变量不重复取值的数量
◆空值数/空值占比：取值为null的记录数/占总记录数的比例
◆空字符数/ 空字符占比：取值为空字符串的记录数/占总记录数的比例，对于数值型变
量无意义
◆0值数/ 0值占比：取值为0的记录数/占总记录数的比例，对于字符型变量无意义
◆正数个数/正数占比：取值大于0的记录数/占总记录数的比例，对于字符型变量无意义◆负数个数/负数占比：取值小于0的记录数/占总记录数的比例，对于字符型变量无意义
为方便起见，我们对于将宽表中的变量可以批量生成值分析数据：
为了浏览时直观清晰，还可以对值分析数据做柱状图：
图1：值分析图
2.1.2质量评估原则
◆唯一值分析
唯一值存在问题最简单的情况就是变量只有一个取值，如表1中的“OperQty_59”只有一个取值。这样的变量对于挖掘建模无法提供任何有效的信息。所以从数据有效性方面我们认为是存在问题的。
而如果我们对于变量业务含义有一定了解时，还能分析变量唯一值数是否较预期的异常的多或者少。例如，我们预先知道年龄只有“男”、“女”、“不确定”三种，如果出现4、5种取值时，可能就要查看是否存在数据质量问题了。
◆无效值分析
空值、空字符串都是无效信息（只有极特殊的情况下我们为认为空值、空字符串提供了信息），而很多情况下我们也认为取值为0时也是无效信息。
无效值的比例越多，建模时能够利用的信息就越少。当无效值的比例大到一定程度，我们甚至认为该变量对于建模是无效的。
有效与无效的界限是以建模的目标为依据的。例如，在流失预测建模时，流失率大概为15%，同时我们希望能够预测流失倾向较高的前10%用户。这时，如果一个变量无效值的比例接近90%，则我们认为该变量质量较差，提供信息较少；而如果无效值的比例超过99%时，则我们认为该变量质量极差，提供很少的信息；而如果无效值的比例超过99.9%时，则我们认为该变量无效。
对于无效值较多的变量，我们将首先怀疑数据处理过程是否存在错误。如无错误，对于极差和无效的变量，在建模时将慎用甚至弃用。
◆异常值分析
在多数情况下，变量是不容许出现负值的；在不少情况下，空值、空字符也是不正常的；而在某些业务背景中，变量取0也是异常的。结合一定的业务背景知识，可以从变量的取值情况发现异常，从而与有关方面确认是否存在数据处理的错误。
2.2 统计分析
统计分析是对变量数据统计学特征的分析，可以对变量取值范围、偏离程度等数据分布情况进行分析。
相对值分析方法，统计分析方法的统计量的计算多数较为复杂。
2.2.1 分析方法
对宽表中变量进行统计量的计算，具体信息包括： ◆ 最小值 ◆ 最大值 ◆ 均值
◆
标准差(Standard Deviation)：反映变量数据的分散程度。标准差越大说明数据越分散。但是注意值越大自然标准差也就越大。 计算公式为：
n
x x x f n
i i
∑=-=
1
2
)
()(
其中n 是宽表的纪录总数，∑==
n
j j
x
x 1
即均值。
◆ 偏度(Skewness)：反映变量数据的相对于平均值不对称程度。
图2：偏度示意图
正态分布的偏度为0，偏度<0称分布具有负偏离（左图），偏度>0称分布具有正偏离（右图）。若知道分布有可能在偏度上偏离正态分布时，可用偏离来检验分布的正态性。
计算公式为：
∑=---=n
i i s
x x n n n
x f 13)()2)(1()( 其中s 是该变量的标准差。
◆ 众数(Mode)：变量中发生频率最大的值。众数不受极端数据的影响，并且求法简便。当
数值或被观察者没有明显次序（常发生于非数值性资料）时特别有用。例如：用户状态有：正常、欠费停机、申请停机、拆机、销号，其中的众数是“正常”。
◆ 分位数(Median)：将数据从小到大排序，小于某个值的数据占总数的％。例如我们通常
所说的中位数就是50%分位数,即小于中位数的所有值占总数的50％。
中位数可避免极端数据，代表着数据总体的中等情况。如果总数个数是奇数的话，按从小到大的顺序，取中间的那个数，如果总数个数是偶数个的话，按从小到大的顺序，取中间那两个数的平均数。
除上述统计量之外，还有峰度(Kurtosis)、标准误差(standard error)、CV(Coefficient of Variance)、方差(variance)等。这里不一一介绍了。
我们对于将宽表中的变量可以批量生成统计分析数据：
2.2.2质量评估原则
统计分析方法的核心就是分析数据的分布情况，即查看数据与正态分布的接近程度。以数据按照正态分布为假设的前提下，我们利用统计分析方法就是查看数据相对正态分布的偏离程度。
在了解数据分布情况之后，我们还可以针对分布情况选取代表性的统计量描述数据整体情况。如，在数据分布为正态时，我们可以用均值来代表数据的整体情况；而数据分布较为偏斜时，众数与中位数就能够更好的代表数据整体情况。
◆极值与均值
对极值与均值的评判要借助一定的业务常识，或与变量的历史进行对不。我们可以查看最小值是否合乎业务逻辑；最高值是否真实、准确；均值是否合理。在一定时间区间以内，均值通常比较稳定的。
极值与均值的获取较为简易，目前在BI项目的实施中也常常被使用。但单纯使用极值与均值的评估需要借助一定的业务经验，具有一定局限性。
◆标准差
标准差反映变量数据的分散程度。如果我们认为变量是以正态分布，则当最大值（或最小值）与均值的差超过3倍标准差时，很可能这些极值是存在问题的。因为超过3倍标准差的数值存在的概率大约为0.3%.
如下图所示，深蓝、浅蓝、淡蓝区域对应分别是1倍、2倍和3倍标准差，对应数据落在其间的概率为68.3%、95.5%、99.7%.
图3：标准差概率图
不过现实中，一方面我们的数据量十分巨大，往往上万，因此极值超过3倍标准差也就是正常的；另一方面，许多变量的分布并不满足正态分布，因此使用是需要注意。
众数、中位数
在正态分布中，众数与中位数与均值是一致的。当数据较正态分布偏斜较大时，我们用众数与中位数能够更好的代表数据的整体情况。同时可以从众数和中位数与均值的差异考察数据分布情况。
与极值与均值类似，结合一定的业务常识，可以从众数和中位数查看是否有与业务经验相背之处。
2.3频次与直方图分析
统计分析时我们对数据分布情况用一些统计量进行了描述。但这些统计量即宏观又不直观，因此我们使用频次与直方图来进行深入、直观的分析。
直方图和频次图都是表示数据分布特征的柱状图分析方式。通过直方图和频次图可以有效地观测出数据分布的两个重要特征：集中趋势和离散趋势。直方图是适用于对大量连续性计量数据进行整理加工、找出其统计规律。即分析数据分布的形态，以便对其总体分布特征进行推断的方法。频次图是为了计算离散型数据各值分布情况的统计方法，它有助于理解某些特殊数值的意义，同时它也可以支持多个维度组合分布情况。
频次与直方图分析方法在提供更细节信息的同时，也存在必须人工分析的局限。同时，很多时候需要借助一些业务经验。
2.3.1分析方法
（数值等宽）直方图分析方法是：
1．集中和记录数据，求出其最大值和最小值。
2．将数据按序排列。分组的数量在6－20之间较为适宜。
3．计算组距的宽度。用组数去除最大值和最小值之差，求出组距的宽度。
4．计算各组的界限位。各组的界限位可以从第一组开始依次计算，第一组的下界为最小值减去组距的一半，第一组的上界为其下界值加上组距。第二组的下界限位为第
一组的上界限值，第二组的下界限值加上组距，就是第二组的上界限位，依此类推。
5．统计各组数据出现频数，作频数分布表。
6．作直方图。以组距为底长，以频数为高，作各组的矩形图。
分析结果举例：
图4：年龄分布图
频次图分析方法是
1．集中和记录数据，计算总分类量N
2．将数据按序排列。分为N组
3．统计各组数据出现频数，作频数分布表。
4．作频次图。
分析结果举例（性别分布图）：
图5：性别分布图
2.3.2质量评估原则
与统计分析方法类似，频次与直方图分析能够给出数据分布更直观景象。通过它们不仅能够了解数据分布是否对称、是否符合正态分布等，还可以对了解更多的细节。
例如，我们从图4中年龄的分布可以发现，在图的右侧分布有一个异常的突起。从极值分析时我们便可以知道年龄的最大值异常，出现了205岁这样不符合现实的数值。从直方图中我们进一步发现存在异常的分布。在与源系统负责人沟通之后，我们了解到这些异常年龄是由于运营商早期登记资料不完整，在支撑系统切换系统时默认设置的数值。
再例如，图5中的性别分布图中，1代表女性，2代表男性、3代表未知。我们发现，男性的比例远远超过女性，这与社会中男女比例相差悬殊。这是业务现状还是数据未反映真实情况？在与源系统负责人沟通之后，我们了解与年龄情况类似，也是由支撑系统的默认设置而导致的。
3 数据质量分析应用的探讨
数据挖掘的数据质量分析方法如何在数据挖掘之外的BI项目中做更一般的应用呢？下面我们将尝试对此做一些探讨。
新加入或新启动一个项目，开发人员刚刚接触相关业务与数据时，数据挖掘的数据质量分析方法能够帮助大家快速的了解数据的情况。
◆值分析
利用值分析方法，可以在无或很少的业务背景知识下，对数据的唯一值、无效值、异常值进行分析，可以发现只有一个无重复数值、无效值过多、异常取值（如出现负数）等可能的数据质量问题。
◆统计分析
利用极值与均值的差与标准差的比值，可以找出可能存在异常的指标。
◆频次与直方图分析
对于字符型的字段（通常是维度），可以使用频次图了解维度的数值分布情况；对于数值型的字段（通常是指标），可以通过直方图了解指标大致分布情况。
在ETL维护阶段，我们可以结合历史经验与数据挖掘的数据质量分析方法，通过对比历史情况来实现对数据质量的侦测。
◆值分析
侦测唯一值数量的变化，在维度出现新的取值或取值数量减少时进行告警。其实这相对于我们常用的维表维护的部分功能。
无效值的侦测。根据与历史情况对比，在出现了空值、空字符串等无效值或无效值比例超过历史水平时告警。
◆统计分析
极值与均值。极值与均值的历史对比，是目前BI项目中常用的手段，因此这里不做覆述。
标准差、偏度、峰度等。变量的随着业务的发展，具体数值在不断变化。所以使用极值与均值这样常用的统计量分析指标的变化，有时较难分辨指标的变化是由与业务的变化还是数据质量问题造成。使用偏度、峰度等统计量，能够更有效的分辨两者的差别。因为，指标数据的分布随时间的变化是非常小的。
参考资料
[1] Teradata Solutions Group(2004.6), Teradata Warehouse Miner User's Guide 4.0, NCR Corporation
[2] The CRISP-DM consortium (2000.8), CRISP-DM 1.0 - Step-by-step data mining guide, The CRISP-DM consortium
[3] Wikipedia (2008.6), Normal distribution, https://www.360docs.net/doc/a411230132.html,/wiki/Normal_Distribution
[4] Wikipedia (2008.6), Skewness, https://www.360docs.net/doc/a411230132.html,/wiki/Skewness
[5] 管于华(2005.8), 统计学(第四章数据的描述性分析), 高等教育出版社
数据挖掘简介
数据挖掘综述
数据挖掘综述 摘要：数据挖掘是一项较新的数据库技术，它基于由日常积累的大量数据所构成的数据库，从中发现潜在的、有价值的信息——称为知识，用于支持决策。数据挖掘是一项数据库应用技术，本文首先对数据挖掘进行概述，阐明数据挖掘产生的背景，数据挖掘的步骤和基本技术是什么，然后介绍数据挖掘的算法和主要应用领域、国内外发展现状以及发展趋势。 关键词：数据挖掘，算法，数据库 ABSTRACT：Data mining is a relatively new database technology, it is based on database, which is constituted by a large number of data coming from daily accumulation, and find potential, valuable information - called knowledge from it, used to support decision-making. Data mining is a database application technology, this article first outlines, expounds the background of data mining , the steps and basic technology, then data mining algorithm and main application fields, the domestic and foreign development status and development trend. KEY WORDS: data mining ,algorithm, database 数据挖掘产生的背景 上世纪九十年代．随着数据库系统的广泛应用和网络技术的高速发展，数据库技术也进入一个全新的阶段，即从过去仅管理一些简单数据发展到管理由各种计算机所产生的图形、图像、音频、视频、电子档案、Web页面等多种类型的复杂数据，并且数据量也越来越大。在给我们提供丰富信息的同时，也体现出明显的海量信息特征。信息爆炸时代．海量信息给人们带来许多负面影响，最主要的就是有效信息难以提炼。过多无用的信息必然会产生信息距离(the Distance of Information-state Transition，信息状态转移距离，是对一个事物信息状态转移所遇到障碍的测度。简称DIST或DIT)和有用知识的丢失。这也就是约翰·内斯伯特(John Nalsbert)称为的“信息丰富而知识贫乏”窘境。因此，人们迫切希望能对海量数据进行深入分析，发现并提取隐藏在其中的信息．以更好地利用这些数据。但仅以数据库系统的录入、查询、统计等功能，无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。更缺乏挖掘数据背后隐藏知识的手段。正是在这样的条件下，数据挖掘技术应运而生。 数据挖掘的步骤 在实施数据挖掘之前，先制定采取什么样的步骤，每一步都做什么，达到什么样的目标是必要的，有了好的计划才能保证数据挖掘有条不紊的实施并取得成功。很多软件供应商和数据挖掘顾问公司投提供了一些数据挖掘过程模型，来指导他们的用户一步步的进行数据挖掘工作。比如SPSS公司的5A和SAS公司的SEMMA。 数据挖掘过程模型步骤主要包括：1定义商业问题；2建立数据挖掘模型；3分析数据；4准备数据；5建立模型；6评价模型；7实施。 1定义商业问题。在开始知识发现之前最先的同时也是最重要的要求就是了
数据挖掘试题与答案
一、解答题（满分30分，每小题5分） 1. 怎样理解数据挖掘和知识发现的关系？请详细阐述之 首先从数据源中抽取感兴趣的数据，并把它组织成适合挖掘的数据组织形式；然后，调用相应的算法生成所需的知识；最后对生成的知识模式进行评估，并把有价值的知识集成到企业的智能系统中。 知识发现是一个指出数据中有效、崭新、潜在的、有价值的、一个不可忽视的流程，其最终目标是掌握数据的模式。流程步骤：先理解要应用的领域、熟悉相关知识，接着建立目标数据集，并专注所选择的数据子集；再作数据预处理，剔除错误或不一致的数据；然后进行数据简化与转换工作；再通过数据挖掘的技术程序成为模式、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。 2. 时间序列数据挖掘的方法有哪些，请详细阐述之 时间序列数据挖掘的方法有： 1）、确定性时间序列预测方法:对于平稳变化特征的时间序列来说，假设未来行为与现在的行为有关，利用属性现在的值预测将来的值是可行的。例如，要预测下周某种商品的销售额，可以用最近一段时间的实际销售量来建立预测模型。 2）、随机时间序列预测方法:通过建立随机模型，对随机时间序列进行分析，可以预测未来值。若时间序列是平稳的，可以用自回归(Auto Regressive，简称AR)模型、移动回归模型(Moving Average，简称MA)或自回归移动平均(Auto Regressive Moving Average，简称ARMA)模型进行分析预测。 3）、其他方法:可用于时间序列预测的方法很多，其中比较成功的是神经网络。由于大量的时间序列是非平稳的，因此特征参数和数据分布随着时间的推移而变化。假如通过对某段历史数据的训练，通过数学统计模型估计神经网络的各层权重参数初值，就可能建立神经网络预测模型，用于时间序列的预测。
关联规则数据挖掘
关联规则数据挖掘 学习报告
目录 引言 2 案例 2 关联规则 3 （一）关联规则定义 （二）相关概念 （三）关联规则分类 数据 6 （一）小型数据 （二）大型数据 应用软件7 （一）WEKA （二）IBM SPSS Modeler 数据挖掘12 总结27
一、引言 数据库与互联网技术在日益发展壮大，人们每天可以获得的信息量呈指数级增长。如何从这浩如瀚海的数据中找出我们需要的数据显得尤为重要。数据挖掘又为资料探勘、数据采矿。它是数据库知识发现中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。 数据挖掘大致分为以下几类：分类（Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity grouping or association rules）、聚类（Clustering）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)。 二、案例 "尿布与啤酒"的故事。 在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。但是这个奇怪的举措却使尿布和啤酒的销量双双增加了。这不是一个笑话，而是发生在美国沃尔玛连锁店超市的真实案例，并一直为商家所津津乐道。沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是："跟尿布一起购买最多的商品竟是啤酒！经过大量实际调查和分析，揭示了一个隐藏在"尿布与啤酒"背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。 按常规思维，尿布与啤酒风马牛不相及，若不是借助数据挖掘技术对大量交易数据进行挖掘分析，沃尔玛是不可能发现数据内在这一有价值的规律的。
数据挖掘复习章节知识点整理
数据挖掘：是从大量数据中发现有趣（非平凡的、隐含的、先前未知、潜在有用）模式，这些数据可以存放在数据库，数据仓库或其他信息存储中。 挖掘流程： 1.学习应用域 2.目标数据创建集 3.数据清洗和预处理 4.数据规约和转换 5.选择数据挖掘函数（总结、分类、回归、关联、分类） 6.选择挖掘算法 7.找寻兴趣度模式 8.模式评估和知识展示 9.使用挖掘的知识 概念/类描述：一种数据泛化形式，用汇总的、简洁的和精确的方法描述各个类和概念，通过（1）数据特征化：目标类数据的一般特性或特征的汇总； （2）数据区分：将目标类数据的一般特性与一个或多个可比较类进行比较； （3）数据特征化和比较来得到。 关联分析：发现关联规则，这些规则展示属性-值频繁地在给定数据集中一起出现的条件，通常要满足最小支持度阈值和最小置信度阈值。 分类：找出能够描述和区分数据类或概念的模型，以便能够使用模型预测类标号未知的对象类，导出的模型是基于训练集的分析。导出模型的算法：决策树、神经网络、贝叶斯、（遗传、粗糙集、模糊集）。 预测：建立连续值函数模型，预测空缺的或不知道的数值数据集。 孤立点：与数据的一般行为或模型不一致的数据对象。 聚类：分析数据对象，而不考虑已知的类标记。训练数据中不提供类标记，对象根据最大化类内的相似性和最小化类间的原则进行聚类或分组，从而产生类标号。 第二章数据仓库 数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程。从一个或多个数据源收集信息，存放在一个一致的模式下，并且通常驻留在单个站点。数据仓库通过数据清理、变换、继承、装入和定期刷新过程来构造。面向主题：排除无用数据，提供特定主题的简明视图。集成的：多个异构数据源。时变的：从历史角度提供信息，隐含时间信息。非易失的：和操作数据的分离，只提供初始装入和访问。 联机事务处理OLTP：主要任务是执行联机事务和查询处理。 联系分析处理OLAP：数据仓库系统在数据分析和决策方面为用户或‘知识工人’提供服务。这种系统可以用不同的格式和组织提供数据。OLAP是一种分析技术，具有汇总、合并和聚集功能，以及从不同的角度观察信息的能力。
(整理)数据挖掘-关联
数据收集及处理 数据描述： 本文的所采用的数据集来源于网络数据中心数据堂所提供的，来自主要电商平台：京东，淘宝，天猫，亚马逊，一号店的2013年10月20日至2013年10月22日的爽肤水交易信息。数据集主要分为3个部分，第一部分为各平台上爽肤水的交易记录，单日的交易数据包含了19203条交易记录，14个变量，变了包括商品ID，电商名称，日期，商品名称，商品URL，促销价，商品销量销售额，店铺名称，店铺等级，品牌功效，适合皮肤，容量，如图所示为在EXCEL中打开的京东在2013年10月20日的交易数据。第二部分为买家购买后的评价，单日包含925条的评论信息，6个变量，变量包含商品ID，购买时间，评论时间，昵称，评分，评论内容，如图所示就是2013年10月20日京东的评论信息。第三部分为品牌数据集，一共51990条数据，7个变量，包括类目，品牌，电商平台，平均价格，日总销量，对应商品ID。如图所示就是2013年10月20日所有电商平台的评判信息。 本论文所采用的数据全部来自于知名网络数据中心数据堂，具有相当的可信度。经过对数据的观察，为了使得研究过程能够更加方便，我们选择数据较为完整并且有序的自于京东平台的交易信息。由于本文目的是建立如何选择商品的模型，因此不会对结果造成影响。 数据初步处理： 本轮问所有的数据都采用SAS中SQL语言与EXCEL相结合进行
处理。 先对对京东平台上爽肤水的交易记录进行处理。首先应该去掉与本文研究不相关的信息。由于电商名称，日期，店铺名称与本文研究目标不匹配，同时在京东平台上并没有店铺信息，商品名称内容包含于品牌名称等其他变量中。因此我们只选择其中的变量：商品ID，促销价，商品销量销售额，品牌功效，适合皮肤，容量。 将源数据导入SAS之后采用EM模块的InputData节点对销量变量进行描述性统计如图所示： 我们可以发现,其中大多数商品的销售额都为0，是因为这里仅仅采用3天的交易数据，所以大多都没有销量。因为没有销量的商品对本文的并无研究意义，因此我们只研究销售量大于0的商品。 采用SQL语言将3日的交易数据合并，并选取所需变量，并且将相同的商品进行合并。 Proc sql; CREATE table Homework.JD as select * FROM Homework.JINGD1 UNION ALL select * FROM Homework.JINGD2 UNION ALL select * FROM Homework.JINGD3;
数据挖掘
一、数据挖掘概述 1、数据挖掘 定义：通过自动或半自动化的工具对大量的数据进行探索和分析的过程，其目的是发现其中有意义的模式和规律。 ——数据挖掘是一门技能，不是一种现成的产品。 2、数据挖掘能做什么 6种方法：分类（classification）、估计（estimation）、预测（prediction）、组合或关联法则（affinity grouping or association rules）、聚类（clustering）、描述与可视化（description and visualization） 前三种方法属于直接的数据挖掘，目标是应用可得到的数据建立模型，用其他可得到的数据来描述我们感兴趣某一变量。 后三种方法属于间接的数据挖掘，没有单一的目标变量，目标是在所有变量中发现某些联系。 1）分类：其特点是先对不同的类别加以定义，并由预先分类的样本构成训练集。任务是建立一个模型并应用这一模型对未分类数据进行分类。分类处理的是离散的结果。 2）估计处理的是连续的结果。 3）组合法的任务是确认哪些事物会一起出现。 4）聚类的任务是将相似的事物分成一类，差异较大的事物分在不同的类中。聚类与分类的区别是聚类并不依赖于事先确定好的组别。 3、技术层面的数据挖掘 1）算法与技巧 2）数据 3）建模实践 二、数据挖掘方法论：互动循环系统 1、数据挖掘的两种类型 一种是自上而下的方法，称之为有监督的数据挖掘方法，当明确知道要搜索的目标时，可以是用这种方法。 一种是自下而上的方法，称之为无监督的数据挖掘方法，实际就是让数据解释自己。此方法是在数据中寻找模式，然后把产生的结果留给使用者去判断其中哪些模式重要。 数据挖掘的结果通常是这两种方法的结合。 1）有监督的数据挖掘 黑匣子模型：使用一个或多个输入值产生一个输出的模型。我们并不关心模型如何运作，那只是黑盒子，我们只关心可能的最优结果。 我们根据已知事例，分析其相关资料，将分析结果用在从未联络的潜在客户，这样的模型称之为预测模型。预测模型使用历史记录来计算某些相应结果中的得分。成功预测的要领之一是拥有足够支持结果的数据来训练模型。 2）无监督的数据挖掘 半透明模型：有时需要使用模型能够得到与数据相关的重要信息，我们也需要了解模型的运作细节，这就好比一组半透明的盒子。 2、数据挖掘的互动循环过程 数据挖掘的互动过程是一种高层次的流程，由四个重要的业务过程所构成： 理解业务问题； 将数据转换成可执行的结果；
《数据挖掘》试题与标准答案
一、解答题（满分3０分，每小题5分) 1. 怎样理解数据挖掘和知识发现的关系?请详细阐述之 首先从数据源中抽取感兴趣的数据，并把它组织成适合挖掘的数据组织形式;然后,调用相应的算法生成所需的知识;最后对生成的知识模式进行评估，并把有价值的知识集成到企业的智能系统中。 知识发现是一个指出数据中有效、崭新、潜在的、有价值的、一个不可忽视的流程，其最终目标是掌握数据的模式。流程步骤:先理解要应用的领域、熟悉相关知识，接着建立目标数据集，并专注所选择的数据子集;再作数据预处理，剔除错误或不一致的数据；然后进行数据简化与转换工作；再通过数据挖掘的技术程序成为模式、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。 2.时间序列数据挖掘的方法有哪些，请详细阐述之 时间序列数据挖掘的方法有: １)、确定性时间序列预测方法:对于平稳变化特征的时间序列来说，假设未来行为与现在的行为有关，利用属性现在的值预测将来的值是可行的。例如，要预测下周某种商品的销售额，可以用最近一段时间的实际销售量来建立预测模型。 ２）、随机时间序列预测方法：通过建立随机模型,对随机时间序列进行分析,可以预测未来值。若时间序列是平稳的,可以用自回归(Auto Ｒegressiｖe，简称AR)模型、移动回归模型(Ｍovｉng Ａveｒage,简称ＭＡ）或自回归移动平均(Aｕto Regrｅssive Moｖiｎg Aｖeraｇe，简称AＲMＡ)模型进行分析预测。 3)、其他方法:可用于时间序列预测的方法很多,其中比较成功的是神经网络。由于大量的时间序列是非平稳的,因此特征参数和数据分布随着时间的推移而变化。假如通过对某段历史数据的训练，通过数学统计模型估计神经网络的各层权重参数初值，就可能建立神经网络预测模型,用于时间序列的预测。
数据挖掘实验报告-关联规则挖掘
数据挖掘实验报告（二）关联规则挖掘 姓名：李圣杰 班级：计算机1304 学号：1311610602
一、实验目的 1. 1.掌握关联规则挖掘的Apriori算法； 2.将Apriori算法用具体的编程语言实现。 二、实验设备 PC一台，dev-c++5.11 三、实验内容 根据下列的Apriori算法进行编程：
四、实验步骤 1.编制程序。 2.调试程序。可采用下面的数据库D作为原始数据调试程序，得到的候选1项集、2项集、3项集分别为C1、C2、C3，得到的频繁1项集、2项集、3项集分别为L1、L2、L3。
代码 #include 数据挖掘研究现状及发展趋势摘要：从数据挖掘的定义出发，介绍了数据挖掘的神经网络法、决策树法、遗传算法、粗糙集法、模糊集法和关联规则法等概念及其各自的优缺点；详细总结了国内外数据挖掘的研究现状及研究热点，指出了数据挖掘的发展趋势。 关键词：数据挖掘；挖掘算法；神经网络；决策树；粗糙集；模糊集；研究现状；发展趋势 Abstract：From the definition of data mining，the paper introduced concepts and advantages and disadvantages of neural network algorithm，decision tree algorithm，genetic algorithm，rough set method，fuzzy set method and association rule method of data mining，summarized domestic and international research situation and focus of data mining in details，and pointed out the development trend of data mining. Key words：data mining，algorithm of data mining，neural network，decision tree，rough set，fuzzy set，research situation，development tendency 1引言 随着信息技术的迅猛发展，许多行业如商业、企业、科研机构和政府部门等都积累了海量的、不同形式存储的数据资料[1]。这些海量数据中往往隐含着各种各样有用的信息，仅仅依靠数据库的查询检索机制和统计学方法很难获得这些信息，迫切需要能自动地、智能地将待处理的数据转化为有价值的信息，从而达到为决策服务的目的。在这种情况下，一个新的技术———数据挖掘(Data Mining，DM)技术应运而生[2]。 数据挖掘是一个多学科领域，它融合了数据库技术、人工智能、机器学习、统计学、知识工程、信息检索等最新技术的研究成果，其应用非常广泛。只要是有分析价值的数据库，都可以利用数据挖掘工具来挖掘有用的信息。数据挖掘典型的应用领域包括市场、工业生产、金融、医学、科学研究、工程诊断等。本文主要介绍数据挖掘的主要算法及其各自的优缺点，并对国内外的研究现状及研究热点进行了详细的总结，最后指出其发展趋势及问题所在。 江西理工大学 数据挖掘考试题目——关联分析 一、10个选择 1.以下属于关联分析的是（） A．CPU性能预测B．购物篮分析 C．自动判断鸢尾花类别D．股票趋势建模 2.维克托?迈尔-舍恩伯格在《大数据时代：生活、工作与思维的大变革》一书中，持续强调了一个观点：大数据时代的到来，使我们无法人为地去发现数据中的奥妙，与此同时，我们更应该注重数据中的相关关系，而不是因果关系。其中，数据之间的相关关系可以通过以下哪个算法直接挖掘（） A．K-means B．Bayes Network C．C4.5 D．Apriori 3.置信度(confidence)是衡量兴趣度度量（）的指标。 A．简洁性B．确定性 C．实用性D．新颖性 4.Apriori算法的加速过程依赖于以下哪个策略（） A．抽样B．剪枝 C．缓冲D．并行 5.以下哪个会降低Apriori算法的挖掘效率（） A．支持度阈值增大B．项数减少 C．事务数减少D．减小硬盘读写速率 6.Apriori算法使用到以下哪些东东（） A．格结构、有向无环图B．二叉树、哈希树 C．格结构、哈希树D．多叉树、有向无环图 7.非频繁模式（） A．其置信度小于阈值B．令人不感兴趣 C．包含负模式和负相关模式D．对异常数据项敏感 8.对频繁项集、频繁闭项集、极大频繁项集的关系描述正确的是（）[注：分别以1、2、3代表之] A．3可以还原出无损的1 B．2可以还原出无损的1 C．3与2是完全等价的D．2与1是完全等价的 9.Hash tree在Apriori算法中所起的作用是（） A．存储数据B．查找 C．加速查找D．剪枝 10.以下不属于数据挖掘软件的是（） A．SPSS Modeler B．Weka C．Apache Spark D．Knime 二、10个填空 1.关联分析中表示关联关系的方法主要有：和。 2.关联规则的评价度量主要有：和。 3.关联规则挖掘的算法主要有：和。 4.购物篮分析中，数据是以的形式呈现。 5.一个项集满足最小支持度，我们称之为。 6.一个关联规则同时满足最小支持度和最小置信度，我们称之为。 1、数据仓库定义：数据仓库是一种新的数据处理体系结构，它与组织机构的操作数据库分别维护，允许将各种应用系统一起，为统一的历史数据分析提供坚实的平台，对信息处理提供支持。数据仓库是面向主题的、集成的、相对稳定的、反映历史变化的数据集合，为企业决策支持系统提供所需的集成信息。设计和构造步骤：1）选取待建模的商务处理；2）选取商务处理的粒变；3）选取用于每个事实表记录的维；4）选取事实表中每条记录的变量 系统结构：（1）底层是仓库数据服务器，总是关系数据库系统。（2）中间层是OLAP服务器，有ROLAP 和MOLAP，它将对多维数据的操作映射为标准的关系操作（3）顶层是前端客户端，它包括查询和报表工具、分析工具和数据挖掘工具 2、数据仓库的多维数据模型：（1）星形模式：在此模型下，数据仓库包括一个大的包含大批数据并且不含冗余的中心表，一组小的附属表，维表围绕中心事实表显示的射线上。特征：星型模型四周的实体是维度实体，其作用是限制和过滤用户的查询结果，缩小访问围。每个维表都有自己的属性，维表和事实表通过关键字相关联。【例子：sales数据仓库的星形模式，此模式包含一个中心事实表sales，它包含四个维time, item, branch和location。 （2）雪花型模式：它是星形模式的变种，其中某些维表是规化的，因而把数据进一步分解到附加的表中。特征：雪花模型通过最大限度地减少数据存储量和联合较小的维表来改善查询性能，增加了用户必须处理的表数量和某些查询的复杂性，但同时提高了处理的灵活性，可以回答更多的商业问题，特别适合系统的逐步建设要求。【例子同上，只不过把其中的某些维给扩展了。 （3）事实星座形：复杂的应用可能需要多个事实表共享维表，这种模式可看作星形模式的汇集。 特征：事实星座模型能对多个相关的主题建模。例子：有两个事实表sales和shipping，它们可以共享维表time, item和location。 3、OLAP：即联机分析处理，是在OLTP基础上发展起来的、以数据仓库基础上的、面向高层管理人员和专业分析人员、为企业决策支持服务。特点：1.实时性要求不是很高。2.数据量大。3.因为重点在于决策支持，所以查询一般是动态的，也就是说允许用户随机提出查询要求。 OLAP操作：上卷：通过沿一个维的概念分层向上攀登，或者通过维归约，对数据立方体进行类聚。下钻：是上卷的逆操作，它由不太详细的数据得到更详细的数据，下钻可以通过沿维的概念分层向下或引入附加的维来实现。切片：对给定方体的一个维进行进行选择，导致一个子立方体。切块：通过对两个或多个维执行选择，定义子立方体。转轴：是一种可视化操作，它转动数据的视角，提供数据的替代表示。 OLTP：即联机事务处理，是以传统数据库为基础、面向操作人员和低层管理人员、对基本数据进行查询和增、删、改等的日常事务处理。OLTP的特点有：a.实时性要求高；b.数据量不是很大。C.交易一般是确定的，是对确定性数据进行存取。d.并发性要求高且严格的要求事务的完整性，安全性。 OLTP和OLAP的区别：1）用户和系统的面向性:OLTP面向顾客，而OLAP面向市场；2）数据容：OLTP 系统管理当前数据，而OLAP管理历史的数据；3）数据库设计：OLTP系统采用实体-联系（ER)模型和面向应用的数据库设计，而OLAP系统通常采用星形和雪花模型；4）视图：OLTP系统主要关注一个企业或部门部的当前数据，而OLAP 系统主要关注汇总的统一的数据；5）访问模式：OLTP访问主要有短的原子事务组成，而OLAP系统的访问大部分是只读操作，尽管许多可能是复杂的查询。 7、PageRank算法原理：1）在初始阶段：构建Web图，每个页面初始设置相同的PageRank 值，通过迭代计算，会得到每个页面所获得的最终PageRank值。2）在一轮中更新页面 PageRank得分的计算方法：每个页面将其当前的PageRank值平均分配到本页面包含的出 链上。每个页面将所有指向本页面的入链所传入的权值求和，即可得到新的PageRank得分。 优点：是一个与查询无关的静态算法，所有网页的PageRank值通过离线计算获得；有效减 少在线查询时的计算量，极大降低了查询响应时间。 缺点：1）人们的查询具有主题特征，PageRank忽略了主题相关性，导致结果的相关性和主 题性降低。2）旧的页面等级会比新页面高。因为即使是非常好的新页面也不会有很多上游， 除非它是某个站点的子站点。 关联规则分析报告 2009年7月8日 目录 一前言 (1) 二数据预处理 (1) 三前7710条真实数据分析 (2) 1商品按小类分析 (2) 2商品按中类分析 (4) 3商品按大类分析 (4) 4分析比较 (5) 四后44904条随机数据分析 (5) 1商品按小类分析 (5) 2商品按中类分析 (7) 3商品按大类分析 (8) 4分析比较 (8) 五52614条混合数据分析 (8) 1商品按小类分析 (8) 2商品按中类分析 (11) 3商品按大类分析 (11) 4分析比较 (12) 六总结 (12) 一前言 使用关联规则挖掘算法分析购物清单时，会产生不止“啤酒→尿布”的单一关联规则，而将出现涉及多种商品的“纵横交错”的多条关联规则。针对这一实际问题，本文利用学生日常购物记录数据进行关联分析，通过概念分层从不同粒度上分析商品之间的关联性，从而找到商品之间的关联规则，实现优化超市货物摆放次序的目的。 二数据预处理 1)在SQL server 2000 查询分析器里执行下面的SQL语句 declare @sql varchar(8000) set @sql = 'select zid ,xh' select @sql = @sql + ' , max(case goodsid when ''' + goodsid + ''' then goodsid end) [' + 'n'+ goodsid + ']' from (select distinct goodsid from rcxfjl) as a set @sql = @sql + ' into table_a from rcxfjl group by zid,xh' exec(@sql) 2)在PB里将有购买记录的列改为”yes” for i=1 to dw_1.rowcount() for li_index=1 to long(dw_1.object.datawindow.column.count) if integer(dw_1.getitemstring(i,dw_1.describe('#' + string(li_index) + ".name")))>0 then dw_1.setitem(i,dw_1.describe('#' + string(li_index) + ".name"),"yes") end if next next 3)将处理好的数据直接导出到Excel中 4)将Excel表中的空格替换成”?”(在weka中?表示缺省值) 聚类分析和关联规则属于数据挖掘这个大概念中的两类挖掘问题， 聚类分析是无监督的发现数据间的聚簇效应。 关联规则是从统计上发现数据间的潜在联系。 细分就是 聚类分析与关联规则是数据挖掘中的核心技术； 从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多著名的统计分析软件包中，如SPSS、SAS等。 从机器学习的角度讲，簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象有类别标记。聚类是观察式学习，而不是示例式的学习。 聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。 从实际应用的角度看，聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况，观察每一簇数据的特征，集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法（如分类和定性归纳算法）的预处理步骤。 关联规则挖掘过程主要包含两个阶段：第一阶段必须先从资料集合中找出所有的高频项目组(FrequentItemsets)，第二阶段再由这些高频项目组中产生关联规则(AssociationRules)。 关联规则挖掘的第一阶段必须从原始资料集合中，找出所有高频项目组(LargeItemsets)。高频的意思是指某一项目组出现的频率相对于所有记录而言，必须达到某一水平。 关联规则挖掘的第二阶段是要产生关联规则(AssociationRules)。从高频项目组产生关联规则，是利用前一步骤的高频k-项目组来产生规则，在最小信赖度(MinimumConfidence)的条件门槛下，若一规则所求得的信赖度满足最小信赖度，称此规则为关联规则。 数据挖掘主要工具软件简介 Dataminning指一种透过数理模式来分析企业内储存的大量资料，以找出不同的客户或市场划分，分析出消费者喜好和行为的方法。前面介绍了报表软件选购指南，本篇介绍数据挖掘常用工具。 市场上的数据挖掘工具一般分为三个组成部分： a、通用型工具； b、综合／DSS／OLAP数据挖掘工具； c、快速发展的面向特定应用的工具。 通用型工具占有最大和最成熟的那部分市场。通用的数据挖掘工具不区分具体数据的含义，采用通用的挖掘算法，处理常见的数据类型，其中包括的主要工具有IBM 公司Almaden 研究中心开发的QUEST 系统，SGI 公司开发的MineSet 系统，加拿大Simon Fraser 大学开发的DBMiner 系统、SAS Enterprise Miner、IBM Intelligent Miner、Oracle Darwin、SPSS Clementine、Unica PRW等软件。通用的数据挖掘工具可以做多种模式的挖掘，挖掘什么、用什么来挖掘都由用户根据自己的应用来选择。 综合数据挖掘工具这一部分市场反映了商业对具有多功能的决策支持工具的真实和迫切的需求。商业要求该工具能提供管理报告、在线分析处理和普通结构中的数据挖掘能力。这些综合工具包括Cognos Scenario和Business Objects等。 面向特定应用工具这一部分工具正在快速发展，在这一领域的厂商设法通过提供商业方案而不是寻求方案的一种技术来区分自己和别的领域的厂商。这些工 具是纵向的、贯穿这一领域的方方面面，其常用工具有重点应用在零售业的KD1、主要应用在保险业的Option＆Choices和针对欺诈行为探查开发的HNC软件。 下面简单介绍几种常用的数据挖掘工具： 1. QUEST QUEST 是IBM 公司Almaden 研究中心开发的一个多任务数据挖掘系统，目的是为新一代决策支持系统的应用开发提供高效的数据开采基本构件。系统具有如下特点： (1)提供了专门在大型数据库上进行各种开采的功能：关联规则发现、序列模式发现、时间序列聚类、决策树分类、递增式主动开采等。 (2)各种开采算法具有近似线性（O(n)）计算复杂度，可适用于任意大小的数据库。 (3)算法具有找全性，即能将所有满足指定类型的模式全部寻找出来。 (4)为各种发现功能设计了相应的并行算法。 2. MineSet MineSet 是由SGI 公司和美国Standford 大学联合开发的多任务数据挖掘系统。MineSet 集成多种数据挖掘算法和可视化工具，帮助用户直观地、实时地发掘、理解大量数据背后的知识。MineSet 2.6 有如下特点： （1）MineSet 以先进的可视化显示方法闻名于世。MineSet 2.6 中使用了6 种可视化工具来表现数据和知识。对同一个挖掘结果可以用不同的可视化工具以各种形式表示，用户也可以按照个人的喜好调整最终效果, 以便更好地理解。MineSet 2.6 中的可视化工具有Splat Visualize、Scatter Visualize、Map 必考知识点： 信息增益算法/ ID3决策树(计算) (详细见教材) 使用朴素贝叶斯分类预测类标号(计算) FP-TREE(问答) (详细见教材) 数据仓库的设计(详见第二章)(问答) (见PPT) 数值规约Equi-depth、equi-width、v-optimal、maxdiff(问答) (详细见教材) BUC (这个也要考，但不记得怎么考的了) 后向传播神经网络(名词解释) K-平均，K-中心点，DBSCAN 解析特征化(这个也要考) 总论 数据挖掘：是从大量数据中发现有趣（非平凡的、隐含的、先前未知、潜在有用）模式，这些数据可以存放在数据库，数据仓库或其他信息存储中。 挖掘流程： (1)学习应用域（2）目标数据创建集（3）数据清洗和预处理（4）数据规约和转换（5）选择数据挖掘函数（总结、分类、回归、关联、分类）（6）选择挖掘算法（7）找寻兴趣度模式（8）模式评估和知识展示（9）使用挖掘的知识 概念/类描述：一种数据泛化形式，用汇总的、简洁的和精确的方法描述各个类和概念，通过（1）数据特征化：目标类数据的一般特性或特征的汇总；（2）数据区分：将目标类数据的一般特性与一个或多个可比较类进行比较；（3）数据特征化和比较来得到。 关联分析：发现关联规则，这些规则展示属性-值频繁地在给定数据集中一起出现的条件，通常要满足最小支持度阈值和最小置信度阈值。 分类：找出能够描述和区分数据类或概念的模型，以便能够使用模型预测类标号未知的对象类，导出的模型是基于训练集的分析。导出模型的算法：决策树、神经网络、贝叶斯、（遗传、粗糙集、模糊集）。 预测：建立连续值函数模型，预测空缺的或不知道的数值数据集。 孤立点：与数据的一般行为或模型不一致的数据对象。 聚类：分析数据对象，而不考虑已知的类标记。训练数据中不提供类标记，对象根据最大化类内的相似性和最小化类间的原则进行聚类或分组，从而产生类标号。 第二章数据仓库 数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程。从一个或多个数据源收集信息，存放在一个一致的模式下，并且通常驻留在单个站点。数据仓库通过数据清理、变换、继承、装入和定期刷新过程来构造。面向主题：排除无用数据，提供特定主题的简明视图。集成的：多个异构数据源。时变的：从历史角度提供信息，隐含时间信息。非易失的：和操作数据的分离，只提供初始装入和访问。 联机事务处理OLTP：主要任务是执行联机事务和查询处理。 联系分析处理OLAP：数据仓库系统在数据分析和决策方面为用户或‘知识工人’提供服务。这种系统可以用不同的格式和组织提供数据。OLAP是一种分析技术，具有汇总、合并和聚集功能，以及从不同的角度观察信息的能力。 全面解析数据挖掘的分类及各种分析方法 1.数据挖掘能做以下六种不同事情（分析方法）： ?分类（Classification） ?估值（Estimation） ?预言（Prediction） ?相关性分组或关联规则（Affinitygroupingorassociationrules） ?聚集（Clustering） ?描述和可视化（DescriptionandVisualization） ?复杂数据类型挖掘(Text,Web,图形图像，视频，音频等) 2.数据挖掘分类 以上六种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘?直接数据挖掘 目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以理解成数据库中表的属性，即列）进行描述。 ?间接数据挖掘 目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系。 ?分类、估值、预言属于直接数据挖掘；后三种属于间接数据挖掘 3.各种分析方法的简介 ?分类（Classification） 首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。 例子： a.信用卡申请者，分类为低、中、高风险 b.分配客户到预先定义的客户分片 注意：类的个数是确定的，预先定义好的 ?估值（Estimation） 估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类的类别是确定数目的，估值的量是不确定的。 例子： a.根据购买模式，估计一个家庭的孩子个数 b.根据购买模式，估计一个家庭的收入 c.估计realestate的价值 1、数据库与数据仓库的对比 数据库数据仓库 面向应用面向主题 数据是详细的数据是综合和历史的 保持当前数据保存过去和现在的数据 数据是可更新的数据不更新 对数据的操作是重复的对数据的操作是启发式的 操作需求是事先可知的操作需求是临时决定的 一个操作存取一个记录一个操作存取一个集合 数据非冗余数据时常冗余 操作比较频繁操作相对不频繁 查询基本是原始数据查询基本是经过加工的数据 事务处理需要的是当前数据决策分析需要过去和现在的数据 很少有复杂的计算有很多复杂的计算 支持事务处理支持决策分析 2、OLTP与OLAP 联机事物处理（On Line Transaction Processing，OLTP）是在网络环境下的事务处理工作，以快速的响应和频繁的数据修改为特征，使用户利用数据库能够快速地处理具体的业务。 OLTP OLAP 数据库数据数据仓库数据 细节性数据综合性数据 当前数据历史数据 经常更新不更新，但周期刷新 对响应时间要求高响应时间合理 用户数量大用户数量相对较小 面向操作人员，支持日常操作面向决策人员，支持决策需要 面向应用，事务驱动面向分析，分析驱动 3、数据字典和元数据： 数据字典：是数据库中各类数据描述的集合，它在数据库设计中具有很重要的地位。由：数据项；数据结构；数据流；数据存储；处理过程5部分组成。 元数据（metadata）定义为关于数据的数据（data about data），即元数据描述了数据仓库的数据和环境。数据仓库的元数据除对数据仓库中数据的描述（数据仓库字典）外，还有以下三类元数据：(1) 关于数据源的元数据(2) 关于抽取和转换的元数据(3) 关于最终用户的元数据 数据挖掘考试题目一一关联分析 一、10个选择 1. 以下属于关联分析的是（ ） A. CPU 性能预测 B .购物篮分析 C.自动判断鸢尾花类别 D.股票趋势建模 2. 维克托？迈尔-舍恩伯格在《大数据时代：生活、工作与思维的大变革》一书中，持续强 调了一个观点：大数据时代的到来， 们更应该注重数据中的相关关系， 下哪个算法直接挖掘（ ） A. K-means C. 3. 置信度（confidence ）是衡量兴趣度度量（ A.简洁性 C.实用性 算法的加速过程依赖于以下哪个策略（ A 抽样 C.缓冲 使我们无法人为地去发现数据中的奥妙，与此同时，我 而不是因果关系。其中，数据之间的相关关系可以通过以 Bayes Network Ap riori ）的指标。 B .确定性 D.新颖性 ） B .剪枝 D.并行 ） B . D. 5.以下哪个会降低 Apriori 算法的挖掘效率（ A 支持度阈值增大 C.事务数减少 算法使用到以下哪些东东（ ） A.格结构、有向无环图 C.格结构、哈希树 7. 非频繁模式（） A 其置信度小于阈值 C.包含负模式和负相关模式 B .项数减少 D.减小硬盘读写速率 B .二叉树、哈希树 D.多叉树、有向无环图 B .令人不感兴趣 D.对异常数据项敏感 8. 对频繁项集、频繁闭项集、极大频繁项集的关系描述正确的是（ A. 3可以还原出无损的 1 C. 3与2是完全等价的 tree 在Apriori 算法中所起的作用是（ A 存储数据 C.加速查找 10.以下不属于数据挖掘软件的是（ A. SPSS Modeler C. Apache Spark B . D. ) B . D. ）［注：分别以1、2、3代表之］ 2可以还原出无损的1 2与1是完全等价的 查找 剪枝 B . D. Weka Knime 二、10个填空 1. 关联分析中表示关联关系的方法主要 有： 2. 关联规则的评价度量主要有： _______ 3. 关联规则挖掘的算法主要有： _______ 4. 购物篮分析中，数据是以 ___________ ____ 禾n _ ____ 禾n _ 的形式呈现。 5.一个项集满足最小支持度，我们称之为 _____________ o 6?—个关联规则同时满足最小支持度和最小置信度，我们称之为数据挖掘研究现状及发展趋势
最新数据挖掘考试题目——关联分析资料
数据挖掘与数据仓库知识点总结
数据挖掘关联规则分析报告
聚类分析、数据挖掘、关联规则这几个概念的关系
数据挖掘主要工具软件简介
数据挖掘复习知识点整理超详细
全面解析数据挖掘的分类及各种分析方法
数据挖掘 - 知识点
数据挖掘考试题目——关联分析