数据挖掘技术.ppt

数据挖掘与知识发现(复杂数据对象的数据挖掘与知识发现)
5 数据挖掘方法
1
课件
引言
•决策树(Decision Trees )
•最临近分类(Nearest Neighbor Classification)
•神经网络(works )
•规则归纳(Rule Induction )
•K均值聚类(K-means Clustering)
2
课件
引言
粗集(Rough Set)方法;
遗传算法;
统计方法(Bayes分析法);
可视化技术;
机器学****法;
证据理论;
Agent方法;
3
课件
5 数据挖掘方法
描述性数据挖掘
面向属性归纳

Apriori算法
分类
决策树法
神经网络
聚类分析
划分法
层次法
预测
  GMDH
4
课件
描述性数据挖掘
概念描述是描述式数据挖掘的方法之一,就是以简洁概要的方式,以不同的粒度和方式描述数据。
允许数据集在多个抽象层次进行概化,便于考察不同层次上的特征。包括多层概化、汇总、特征化和比较。
实现技术:面向属性的归纳
5
课件
归纳
归纳是逻辑学的重要方法。古典归纳中培根给出了归纳的3个步骤:
1)全面地收集经验材料;
2)材料整排列;
3)进行总结分析,排除非本质的东西。
现代归纳逻辑以概率论的引入为标志。归纳逻辑在人工智能中的表现为归纳学****细胞自动机。
6
课件
归纳学****br/>归纳学****br/>归纳学****是机器学****的一种方法,是机器学****中核心的与成熟的技术。
归纳学****旨在从大量的数据中归纳抽取出一般的规则或模式,或者说是从大量的示例中归纳出较少的描述规则,从而实现知识的自动获取。
7
课件
面向属性归纳
面向属性归纳(Attribute-oriented induction)
数据库中的对象通常包括原始概念层的许多细节。我们能够对大多数数据集合进行汇总并在较高概念层上汇聚成知识。
面向属性归纳方法的思想是分析相关数据中每个属性的各类数值的个数,进行归纳。
概化操作:属性删除(删除离散的,无法考虑的属性);属性概化(通过统计计数和设定的阈值来确定概化层次。
8
课件
面向属性归纳
面向属性归纳的知识呈现方式:
可视化的统计图表(该方法是基于统计的方法);
量化规则(quantitative rule)
量化规则—满足给定阈值的统计规律。可表示为:
其中,wi为满足conditioni的可能性,t为统计阈值。
规则可用统计阈值和兴趣度来度量。
9
课件
面向属性归纳
基于统计归纳的面向属性归纳
运用统计学上的不完全归纳法和不确定理论中的置信度理论,通过统计属性中的实例的数目,以具有大量实例的一组属性为模板,利用置信度理论获得一组假设规则。
10
课件