第一章 数据挖掘的基本概念..

数据爆炸. 知识贫乏
激增的数据背后隐藏着 许多重要的信息，人们希望 能够对其进行更高层次的分 析，以便更好地利用这些数 据。 目前的数据库系统可以 高效地实现数据的录入、查 询、统计等功能，但无法发 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。缺乏挖掘数 据背后隐藏知识的手段，导 致“数据爆炸. 知识贫 乏”的尴尬现象。
通过分析训练集中的数据，为每个类别建立分类分析模型 ；然后用这个分类分析模型对数据库中的其他记录进行分 类。 示例：垃圾邮件的识别属于分类问题，所有训练用邮件预 先被定义好类标号信息，即训练集中的每封邮件预先被标 记为垃圾邮件或合法邮件信息，需要利用已有的训练邮件 建立预测模型，然后利用预测模型来对未来未知邮件进行 预测。
第六章 挖掘大型数据库中的关联规则 ；
第七章 分类与预测； 第八章 聚类分析
17
学习目的：
掌握数据仓库和数据挖掘的基本原理，
学会用信息分析的方法思考问题。
掌握一些算法的基本思想，以便今后在 实践中处理特定问题时使用。
18
第一章 数据挖掘的基本概念
第一章 数据挖掘的基本概念
数据挖掘的定义
解决方法：数据仓库技术和数据挖掘技术
数据仓库和联机分析处理技术（存储）；
数据挖掘：在大量的数据中挖掘感兴趣的知识/
规则/规律/模式/约束（分析）。
16
课程目录
第一章 数据挖掘的基本概念；
第二章 数据仓库的基本概念；
第三章 联机分析处理；
第四章 数据预处理；
第五章 概念描述：特征化与比较 ；
几个相关概念
KDD泛指所有从源数据中发掘模式或联系的方法， 用以描述整个数据发掘的过程，包括最开始的制定 业务目标到最终的结果分析； 并用数据挖掘（DM, Data Mining）来描述进行数 据挖掘的子过程。
知识发现的过程和步骤
知识发现的主要过程： A. 确定业务对象
B. 数据准备
C. 数据挖掘 D. 结果分析 E. 知识的同化
简单的说，数据挖掘就是从大量的数据中发现 有用信息的过程。
为什么会出现数据挖掘？
时代背景：我们生活在一个网络化时代，通信、计算机和网络
技术正改变整个人类社会。
网络化时代给我们带来大量的数据：
•
商务环境（CRM)：电子商务的Web 数据
• 社交平台数据：facebook、twitter、微博（评论挖掘、商

应用

信用卡欺诈检测 移动电话欺诈检测 医疗分析（异常）
三、数据挖掘的应用
数据挖掘的应用：
电信：客户细分 银行：聚类（细分）, 交叉销售 百货公司/超市：购物篮分析 （关联规则） 保险：客户细分，交叉销售，流失（原因分析） 信用卡： 欺诈探测，细分 电子商务： 网站日志分析 税务部门：偷漏税行为探测 警察机关：犯罪行为分析 医学： 医疗保健
数据挖掘都干了些什么？
卓越亚马逊
通过数据挖掘我们可以
发现最有价值 的客户
通过数据挖掘我们可以
罐头 熟食 鲑鱼
使组合销售更 有效率
冻肉
牛肉
鲜货
通过数据挖掘我们可以
留住那些最有 价值的客户
通过数据挖掘我们可以
用更小的成本 发现欺诈现象
数据挖掘的热点应用
主要热点

就目前来看，将来的几个热点包括： — 网站的数据挖掘 （Web Site Data Mining） — 生物信息或基因 （Bioinformatics/genomics）的数据挖 掘 — 文本的数据挖掘 （Textual Mining）。
Wisdom Knowledge Information Data
Knowledge + experience Information + rules Data + context
数据挖掘的定义（从数据中发现知识的角度）：
数据挖掘是从大量的数据中挖掘出隐含 的、未知的、用户可能感兴趣的和对决策 有潜在价值的知识和规则。
24
数据挖掘：多学科的汇合
数据库技术 人工智能 统计学
机器学习
数据挖掘
可视化
信息科学
科学计算
其它学科
几个相关概念
机器学习：将一些已知的并被成功解决的问题作为范 例输入计算机，由计算机通过学习这些范例总结并生成 相应的规则，以解决某一类的问题； 知识工程：不同于机器学习，直接给计算机输入已被 代码化的规则，由计算机使用这些规则解决问题，如专 家系统。 20世纪80年代末，出现一个新的术语：数据库中的知 识发现（KDD, Knowledge Discovery in Database）。
就是他能在短时间掌握无数公司资料和背景，也就是将世界上已经存在的海量数 据（包括公司财报、电视、几十年前的报纸、互联网、小道消息等）挖掘出来， 串联起来，甚至将FaceBook、Twitter的海量社交数据挖掘得到普通大众对某种股 票的感情倾向，通过海量信息的挖掘、分析，使一切内幕都不是内幕，使一切趋 势都在眼前，结果在10天内他就赢得了200万美元，神奇的表现让身边的职业投 资者目瞪口呆。
一 引例
例1 如果你在当当的购书网站购买过书籍或音像制品， 以后再浏览该网站时经常看到类似的提示：“猜您可能会 喜欢”， 然后就可以在网页的某个位置看到网站推荐的 图书的名称及其相关链接。
网站怎么知道读者可能会对这些物品感兴趣？
这是因为网站采用了新的技术来了解顾客的潜在需求，比如： 网站从顾客的购买清单中发现你与张三具有相似的兴趣爱好和 购买习惯，但是有些书张三已经买了，而你却还没买，网站会 认定你对这些书可能感兴趣，而对你进行推荐。 网站这种推荐并非漫无边际，而是有一定技术依据的，这种 技术就是数据挖掘技术（DM）。
10
茶，鸡蛋，小甜饼，尿布，啤酒
从这个销售数据中可以得出什么结论？
简单分析发现，有6个顾客买了啤酒，而其中5个人 买了尿布，或说，5个买了尿布的顾客都买了啤酒。
从数据挖掘的角度会得到如下的很强的关联规则：
规则1：“买啤酒” 规则2：“买尿布”
“买尿布”。 置信度为5/6
“买啤酒”。置信度为5/5
结论：“买尿布的顾客很可能会买啤酒”。 对决策者的启示：商品的摆放设计和销售策略。
电信
英国电信需要发布一种新的产品 ，需要通过直邮的方式向客户推 荐这种产品。。。。。。
使直邮的回应率提高了100％
零售商店
GUS（英国的日用品零售商店）需 要准确的预测未来的商品销售 量，降低库存成本。。。。。 。 通过数据挖掘的方法使库存成本比原 来减少了3.8%
税务局
美国国内税务局需要提高对 纳税人的服务水平。。。。 。。
合理安排税务官的工作，为纳税人提供 更迅捷、更准确的服务
银行
汇丰银行需要对不断增长的 客户群进行分类，对每种产 品找出最有价值的客户。。 。。。。
营销费用减少了30％
财务部
美国国防财务部需要从每年上 百万比的军火交易中发现可能 存在的欺诈现象。。。。。。
发现可能存在欺诈的交易，进行深 入调查，节约了大量的调查成本
二 什么是数据挖掘
什么是数据挖掘？
存在太多数据挖掘的定义，但基本上有这样一种描述结构
To find / discover / extract / dredge / harvest 、、、 Interesting / novel / useful / implicit / actable / meaningful 、、、 Information / knowledge / patterns / trends / rules / anomalies 、、、 In massive data / large data set / large database / data warehouse 、、、
聚类
分类 有指导学习 (有预先定义的类)
监督(指导)与否
百度文库
无指导学习 (没有预先定义的类)
是否建立模型或 否，旨在发现空间实体 是，具有预测功能 训练 的属性间的函数关系。
4）孤立点分析
孤立点分析：对差异和极端特例的描述
孤立点：事物偏离常规的异常现象，如标准类外的特 例，数据聚类外的离群值等； 异常检测通过构建正常行为模型(称为特征描述)，来检 测与特征描述严重偏离的新的模式。
《数据仓库与数据挖掘》
主讲：王名扬 信息学院
参考书目

《数据挖掘：概念与技术》韩家炜著（机械）
2
网络资源
www.dwway.com 中文（推荐）
www.dmresearch.net 日文 www.dmreview.com www.kdnuggets.com 英文（课程）
www.datawarehouse.com
例：
2）聚类分析
聚类分析：最大化类内的相似性和最小化类间的 相似性（无监督的学习方法）
找出数据集中的共性和差异，并将具有共性的对象聚 合在相应的类中。 “物以类聚，人以群分” 示例：扑克牌的划分
(a)
(b)
(c)
(d)
图 十六张牌基于不同相似性度量的划分结果
3）分类挖掘
分类：反映同类事物共同性质的特征型知识和不 同事物之间的差异型特征知识（有监督的学习方 法）
数据挖掘的功能——可以挖掘什么类型的模
式
数据挖掘的典型应用
一、数据挖掘的定义
数据挖掘的定义（从数据中发现知识角度）：
数据挖掘是从大量的数据中挖掘出隐含 的、未知的、用户可能感兴趣的和对决策 有潜在价值的知识和规则。
简单的说，数据挖掘就是从大量的数据中发现 有用的信息。
数据挖掘的定义： 这个定义包括以下几层含义：
例2 啤酒与尿布的故事 某超市Post机上记录如下的销售数据：
顾客 1 2 3 4 5 6 购买商品 面包，黄油，尿布，啤酒 咖啡，糖，小甜饼，鲑鱼，啤酒 面包，黄油，咖啡，尿布，啤酒，鸡蛋 面包，黄油，鲑鱼，鸡 鸡蛋，面包，黄油 鲑鱼，尿布，啤酒
7
8 9
面包，茶，糖鸡蛋
咖啡，糖，鸡，鸡蛋 面包，尿布，啤酒，盐
28
数据挖掘: 一个 KDD 过程
– 挖掘数据: 过程的核心.
模式评估Pattern Evaluation
采掘数据Data Mining 相关任务数据Task-relevant Data Data Warehouse 数据仓库 挑选
Data Cleaning 数据整理 Data Integration数据集成 数据库
数据源必须是真实的、大量的、含噪声的；


发现的是用户感兴趣的知识；
发现的知识要可接受、可理解、可运用； 并不要求发现放之四海皆准的知识，仅支持 特定的问题。
23
数据挖掘是一门交叉学科：
它把人们对数据的应用从低层次的简单查询，提升 到从数据中挖掘知识，提供决策支持。
在这种需求牵引下，汇聚了不同领域的研究者，尤 其是数据库技术、人工智能技术、数理统计、可视化 技术、并行计算等方面的学者和工程技术人员，投身 到数据挖掘这一新兴的研究领域，形成新的技术热点。
3）分类挖掘
例如：信用卡的使用 规则1：If refund=no and marital status=married then cheat=no
决策树方法得到规则
规 则 的 应 用
聚类与分类的主要区别： 聚类是一种无指导的观察式学习，没有预先定义的类； 而分类问题是有指导的示例式学习，有预先定义的类。
13
数据.信息.知识
数据仅是人们用各种工具和手段观察外部世界得到的原始材料； 信息虽给出数据中有一定意义的东西，但往往和任务无直接联系， 不能作为判断、决策和行动的依据； 知识是人们作出正确的判断、决策和采取正确行动的依据。
14
数据的丰富带来了对强有力的数据分析工具的需求！
15
数据仓库与数据挖掘
品营销、事件预测等）、人人网等
• 金融：银行卡交易数据 • 科学计算：天气、地理环境等
为什么会出现数据挖掘？
数据爆炸性增长带来的契机与挑战。。。。
视频：《你知道吗？》 推荐电影《永无止境》：讲述一位落魄的作家库珀，服用了一种可以迅速
提升智力的神奇蓝色药物，然后他将这种高智商用于炒股。库珀是怎么炒股的呢？
29
29
二、数据挖掘的功能
数据挖掘的功能：
数据挖掘可以挖掘的一些常用模式如下：
关联分析（描述）； 聚类分析（描述）； 分类（预测）； 孤立点分析（预测）
数据挖掘的功能：
1）关联分析
关联规则挖掘：反映一个事件和其他事件之间依 赖或关联的知识。
广泛的用于购物篮或事务数据分析。