數(shù)據(jù)挖掘算法的分析探討

王曉艷

摘 要 信息技術(shù)不斷的發(fā)展，互聯(lián)網(wǎng)在全球范圍內(nèi)得到普及。這是一個信息爆炸的時代，也是一個大數(shù)據(jù)時代。人們每天會面對大量的信息和數(shù)據(jù)，那么如何從這些信息中選擇自己需要的信息是一個關(guān)鍵問題。數(shù)據(jù)挖掘算法在這方面具有明顯的優(yōu)勢，筆者對數(shù)據(jù)挖掘算法進行分析和探討。

關(guān)鍵詞 數(shù)據(jù)挖掘；粗糙集；分析探討

中圖分類號：TP311 文獻標識碼：A 文章編號：1671-7597（2014）02-0060-01

目前，數(shù)據(jù)挖掘得到了全世界信息產(chǎn)業(yè)界的廣泛關(guān)注。此外，也以難以預(yù)料的速度發(fā)展著。這和信息技術(shù)的迅速發(fā)展以及互聯(lián)網(wǎng)大范圍的普及有著很大的關(guān)系。當(dāng)人們面對大量的數(shù)據(jù)以及信息時，如何選擇自己需要的數(shù)據(jù)和信息是一個核心問題。而數(shù)據(jù)挖掘則是一個重要的方法，其可以幫助人們找到對自己有價值的信息。

1 數(shù)據(jù)挖掘簡介

數(shù)據(jù)挖掘指的是從大量的數(shù)據(jù)和信息中提取到有用的信息，其是一個過程，這一定義被廣泛的接受。我們可以在數(shù)據(jù)庫中的知識發(fā)現(xiàn)中尋找到數(shù)據(jù)挖掘一詞的來源，其英文是Knowledge Discovery in Database，縮寫為KDD。

1.1 數(shù)據(jù)挖掘的基本過程

定義問題一定要在數(shù)據(jù)挖掘之前搞清楚，對問題以及目標任務(wù)實施清晰地定義，而我們就可以得到數(shù)據(jù)挖掘的目的。在此基礎(chǔ)上，我們以挖掘基本步驟為依據(jù)，就可以開展知識發(fā)現(xiàn)了。

數(shù)據(jù)挖掘的過程是很復(fù)雜的，但是基本上可以被劃分為3個階段：準備階段、數(shù)據(jù)挖掘階段以及結(jié)果的解釋和評價階段。

1）數(shù)據(jù)清理。有的數(shù)據(jù)中含有大量的噪音，此外完整性以及明確性都很差，因此需要進行清洗。2）數(shù)據(jù)集成。數(shù)據(jù)集成主要包括物理集成以及邏輯集成，這些數(shù)據(jù)在來源、特點、格式等方面都具有差異。數(shù)據(jù)集成可以為后面的一系列操作帶來方便。3）數(shù)據(jù)選擇。數(shù)據(jù)選擇指的是從大量的數(shù)據(jù)中找到和選擇有關(guān)的數(shù)據(jù)集，此過程需要從任務(wù)目標出發(fā)，之后抽取處理，則我們就可以獲取到具體挖掘任務(wù)的相應(yīng)操作。4）數(shù)據(jù)變換。獲取得當(dāng)?shù)谋煌诰虻臄?shù)據(jù)形式是進行數(shù)據(jù)變換的目的。舉個例子，將離散值型數(shù)據(jù)轉(zhuǎn)換成連續(xù)值型，那么神經(jīng)網(wǎng)絡(luò)計算的進行就比較容易。5）數(shù)據(jù)挖掘。由于多學(xué)科的知識和研究成果不斷的融入到數(shù)據(jù)挖掘中，因此數(shù)據(jù)挖掘方法的形式各種各樣。目前，使用比較多的數(shù)據(jù)挖掘方法包括：最近序列分析、時間序列分析、回歸分析以及聚類分析等。使用這些方法可以很快的得到異常數(shù)據(jù)。之后，再進行解釋，數(shù)據(jù)中的潛在規(guī)律以及模式和知識就可以被發(fā)現(xiàn)。在這個過程中，在選擇算法時需要從數(shù)據(jù)本身的特征出發(fā)，這些方法有：聚類、分類以及神經(jīng)網(wǎng)路等。6）模式評估。模式評估的對象是數(shù)據(jù)挖掘發(fā)現(xiàn)的模式，需要采取某種方法來對其進行識別以及度量。7）知識表示。挖掘出的知識需要解釋，轉(zhuǎn)換后得到被知識就可以被用戶理解。

1.2 數(shù)據(jù)挖掘的分類

多個學(xué)科的知識和成果融入到了數(shù)據(jù)挖掘中，因此關(guān)于其的研究就比較多。為了用戶能快速的得到自己需要的數(shù)據(jù)，我們需要對數(shù)據(jù)挖掘技術(shù)進行分類。

1）按挖掘的數(shù)據(jù)庫類型分類。按照數(shù)據(jù)模型進行分類，可以被分為以下幾類：關(guān)系型、事務(wù)型以及數(shù)據(jù)倉庫型等。假如以數(shù)據(jù)類型為分類依據(jù)，則可以被分為：文本型、異構(gòu)型、空間型、流數(shù)據(jù)型、時間型、多媒體以及Web型。2）按照挖掘的知識類型分類，其指的是參考數(shù)據(jù)挖掘的功能實施劃分。一個全面的數(shù)據(jù)挖掘可以包含多種功能。數(shù)據(jù)挖掘的分類標準也可以是規(guī)則性和奇異性。一般說來，我們可以使用以下方法來進行數(shù)據(jù)規(guī)則性的挖掘：預(yù)測、相關(guān)性分析、關(guān)聯(lián)分析、概念描述等，使用這些方法還可以方法檢測和排除噪聲。3）按應(yīng)用分類。我們可以以應(yīng)用為依據(jù)來進行分類，比如：股票市場、生物醫(yī)學(xué)界、金融業(yè)、交通業(yè)、通信業(yè)等。

通過以上的分析，我們不難發(fā)現(xiàn)，找到一個廣泛適用于各種不同應(yīng)用的數(shù)據(jù)挖掘方法是不可能的。

2 具體方法分析

2.1 聚類挖掘

作為數(shù)據(jù)挖掘技術(shù)中的一個關(guān)鍵的部分，聚類挖掘一般在實現(xiàn)時需要借助最近鄰技術(shù)。聚類分析是一個沒有監(jiān)督的學(xué)習(xí)過程，也沒有必要對訓(xùn)練數(shù)據(jù)進行預(yù)先的處理。聚類屬于觀察型學(xué)習(xí)的一種，其不僅可以對每個類中的數(shù)據(jù)特征進行觀察，而且可以作為其他算法的預(yù)處理步驟。我們使用該方法可以發(fā)現(xiàn)數(shù)據(jù)之間的潛在關(guān)系，因此就會很容易的得到數(shù)據(jù)的分布模式。目前，聚類主要包括以下幾個方面：層次法、劃分法、基于密度的方法、基于模型的方法以及基于密度的方法。筆者對這5類技術(shù)進行了相應(yīng)典型分析之后，每一類技術(shù)性能的比較結(jié)果我們可以在表1中看到。

表1 聚類算法的比較

聚類技術(shù) 劃分法 層次法 基于密度的方法 基于網(wǎng)絡(luò)的方法 基于模型的方法

算法 K-MEANS CURE DBSCAN STING COBWEB

發(fā)現(xiàn)聚類形狀 球形 任意形狀 任意形狀 任意形狀 任意形狀

高維性 一般 好 好 一般 好

可伸縮性 好 較差 好 較好 較好

輸入順序

敏感性 敏感 敏感 較敏感 不敏感 敏感

噪聲敏感性 不敏感 較敏感 很敏感 敏感 較敏感

算法效率 高 較高 高 一般 較低

2.2 粗糙集

粗糙集理論是一種新型的數(shù)學(xué)分析工具，其主要是對不確定的知識進行處理。這些知識信息一般在完整性以及一致性方面比較欠缺，因此使用粗糙集可以對其進行分析和推理，進而將潛在的規(guī)律發(fā)掘出來。

粗糙集算法（屬性約簡算法）。在實際的應(yīng)用中，我們需要在大量的數(shù)據(jù)中獲取到一個知識，那么如何選取，怎樣提高挖掘的效率呢？這時需要一種算法，該算法可以對大量的屬性進行簡約，將對冗余的信息技術(shù)進行剔除，而原始信息也會得到保證。該算法可以由粗糙集提供，在此基礎(chǔ)上的數(shù)據(jù)挖掘的過程有：數(shù)據(jù)預(yù)處理、獲取規(guī)則、簡化等。首先，對原始數(shù)據(jù)源中的異常值以及缺省值實施處理。之后，構(gòu)建決策表。最后，獲取規(guī)則并對規(guī)則進行簡化，這樣就會得到有價值的知識，最終將其應(yīng)用到新數(shù)據(jù)的分析處理之中。

2.3 BP神經(jīng)網(wǎng)絡(luò)算法

信息正向傳播和誤差逆向傳播是BP神經(jīng)網(wǎng)絡(luò)算法的兩個基本的過程。對于前者來說，其僅僅需要一定的歷史數(shù)據(jù)，其一般被用來預(yù)測、分類以及聚類等。不僅抗干擾的能力強，此外計算能力也是非常高的。對于后者，需要對神經(jīng)網(wǎng)絡(luò)的各節(jié)點連接權(quán)值進行初始化，這樣我們就可以得到很小的隨機數(shù)。

3 結(jié)束語

筆者從數(shù)據(jù)挖掘的概念與意義出發(fā)，對基本過程以及幾種技術(shù)（聚類分析、粗糙集和 BP神經(jīng)網(wǎng)絡(luò)）進行了分析和探討，希望這些分析和探討對大家有所幫助。

參考文獻

[1]劉學(xué)琴，吳耀華，崔寶華.基于擴展粗糙集的短期電力負荷預(yù)測模型[J].電力系統(tǒng)保護與控制，2012（13）.endprint