aai09知识发现和数据挖掘2高级人工智能史忠植

第九章知识发现和数据挖掘数据库中知识发现史忠植中科院计算所2021/6/241高级人工智能史忠植知识发现关联规则数据仓库知识发现工具2021/6/242高级人工智能史忠植知识发现知识发现是指从数据集中抽取和精炼新的模式。范围非常广泛：经济、工业、农业、军事、社会数据的形态多样化：数字、符号、图形、图像、声音数据组织各不相同：结构化、半结构化和非结构发现的知识可以 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 示成各种形式规则、科学规律、方程或概念网。2021/6/243高级人工智能史忠植数据库知识发现目前,关系型数据库技术成熟、应用广泛。因此,数据库知识发现(KnowledgeDiscoveryinDatabasesKDD)的研究非常活跃。该术语于1989年出现，Fayyad定义为“KDD是从数据集中识别出有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程”2021/6/244高级人工智能史忠植不同的术语名称知识发现是一门来自不同领域的研究者关注的交叉性学科，因此导致了很多不同的术语名称。知识发现:人工智能和机器学习界。数据挖掘(datamining):统计界、数据分析、数据库和管理信息系统界知识抽取(informationextraction)、信息发现(informationdiscovery)、智能数据分析(intelligentdataanalysis)、探索式数据分析(exploratorydataanalysis)信息收获(informationharvesting)数据考古(dataarcheology)2021/6/245高级人工智能史忠植2021/6/246高级人工智能史忠植知识发现的任务(1)数据总结：对数据进行总结与概括。传统的最简单的数据总结方法是计算出数据库的各个字段上的求和值、平均值、方差值等统计值,或者用直方图、饼状图等图形方式表示。分类：根据分类模型对数据集合分类。分类属于有导师学习，一般需要有一个训练样本数据集作为输入。聚类：根据数据的不同特征，将其划分为不同的类。无导师学习2021/6/247高级人工智能史忠植知识发现的任务(2)相关性分析：发现特征之间或数据之间的相互依赖关系关联规则偏差分析：基本思想是寻找观察结果与参照量之间的有意义的差别。通过发现异常,可以引起人们对特殊情况的加倍注意。建模：构造描述一种活动或状态的数学模型2021/6/248高级人工智能史忠植知识发现的方法(1)统计方法：传统方法：回归分析、判别分析、聚类分析、探索性分析模糊集(fuzzyset)Zadeh1965支持向量机(SupportVectorMachine)Vapnik90年代初粗糙集(RoughSet)Pawlak80年代初2021/6/249高级人工智能史忠植知识发现的方法(2)机器学习：规则归纳：AQ算法决策树：ID3、C4.5范例推理:CBR遗传算法:GA贝叶斯信念网络2021/6/2410高级人工智能史忠植知识发现的方法(3)神经计算：神经网络是指一类新的计算模型，它是模仿人脑神经网络的结构和某些工作机制而建立的一种计算模型。常用的模型：Hopfield网多层感知机自组织特征映射反传网络可视化：2021/6/2411高级人工智能史忠植KDD的技术难点动态变化的数据噪声数据不完整冗余信息数据稀疏超大数据量2021/6/2412高级人工智能史忠植关联规则属于知识发现任务中的相关性分析由于条形码技术的发展,零售部门可以利用前端收款机收集存储大量的售货数据。因此,如果对这些历史事务数据进行分析,则可对顾客的购买行为提供极有价值的信息。例如,可以帮助如何摆放货架上的商品(如把顾客经常同时买的商品放在一起),帮助如何 规划 污水管网监理规划下载职业规划大学生职业规划个人职业规划职业规划论文 市场(怎样相互搭配进货)。2021/6/2413高级人工智能史忠植关联规则的表示关联规则的形式如“在购买面包顾客中,有70%的人同时也买了黄油”,可以表示成：面包→黄油。用于关联规则发现的主要对象是事务型数据库,其中针对的应用则是售货数据,也称货篮数据。一个事务一般由如下几个部分组成:事务处理时间,一组顾客购买的物品,有时也有顾客标识号(如信用卡号)。2021/6/2414高级人工智能史忠植关联规则的相关概念(1)设R={I1,I2……Im}是一组物品集，W是一组事务集。W中的每个事务T是一组物品，TR。假设有一个物品集A，一个事务T，如果AT，则称事务T支持物品集A。关联规则是如下形式的一种蕴含：A→B，其中A、B是两组物品，AI，BI，且A∩B=。2021/6/2415高级人工智能史忠植关联规则的相关概念(2)支持度物品集A的支持度：称物品集A具有大小为s的支持度,如果D中有s%的事务支持物品集XP(A)1000个顾客购物，其中200个顾客购买了面包，支持度就是20％（200/1000）。关联规则A→B的支持度：关联规则A→B在事务数据库W中具有大小为s的支持度,如果物品集A∪B的支持度为s100个顾客购买了面包和黄油，则面包→黄油10％2021/6/2416高级人工智能史忠植关联规则的相关概念(3)可信度设W中支持物品集A的事务中，有c％的事务同时也支持物品集B，c％称为关联规则A→B的可信度。P(B|A)1000个顾客购物，200个顾客购买了面包，其中140个买了黄油，则可信度是70％（140/200）。2021/6/2417高级人工智能史忠植关联规则的相关概念(4)最小支持度minsup用户规定的关联规则必须满足的最小支持度。最小可信度minconf用户规定的关联规则必须满足的最小可信度。大项集(大项集、大物品集largeitemset)支持度不小于最小支持度minsup的物品集2021/6/2418高级人工智能史忠植关联规则发现任务给定一个事务数据库D，求出所有满足最小支持度和最小可信度的关联规则。该问题可以分解为两个子问题：求出D中满足最小支持度的所有大项集；利用大项集生成满足最小可信度的所有关联规则。对于每个大项集A，若BA，B≠φ，且Confidence（B(AB)）minconf，则构成关联规则B(AB)2021/6/2419高级人工智能史忠植关联规则发现的基本思路第2个子问题比较容易。目前大多数研究集中在第一个子问题上，即如何高效地求出大项集。首先生成长度为1的大项集（即单个物品），记为L[1]；在L[k]的基础上生成候选物品集C[k+1]，候选物品集必须保证包括所有的大项集。用事务数据库D中的事务对C[k+1]进行支持度测试以生成长度为k+1的大项集L[k+1]，计算每个候选物品集的支持度，如果大于minsup，则加入到L[k+1]中。如果L[k+1]为空集，则结束，L[1]∪L[2]∪…即为结果；否则转(2)，继续。2021/6/2420高级人工智能史忠植思路的正确性利用了大物品集向下封闭性，即大物品集X的任意子集一定是大物品集，反过来说，如果X有一子集不是大项集，则X肯定不是。是宽度优先算法2021/6/2421高级人工智能史忠植经典的Apriori算法(1)L[1]={large1-itemsets};(2)for(k=2;L[k-1]不为空;k++)dobegin(3)C[k]=apriori-gen(L[k-1]);//新候选物品集(4)Foralltransactionst∈Ddobegin(5)C=subset(C[k],t);//t中的候选物品集(6)Forallcandidatesc∈Cdo(7)c.count++;(8)end;(9)L[k]={c∈C[k]|c.count>=minsup};(10)end;(11)Answer=L[1]∪L[2]∪…2021/6/2422高级人工智能史忠植apriori-gen(L[k-1])分成两步：join算法：从两个L[k-1]物品集生成候选物品集C[k]insertintoC[k]selectp.item1,p.item2,...,p.item(k-1),q.item(k-1)fromL[k-1]p,L[k-1]qwherep.item1=q.item1,...,p.item(k-2)=q.item(k-2),p.item(k-1)<q.item(k-1)2021/6/2423高级人工智能史忠植Prune算法：从C[k]中除去大小为k-1且不在L[k-1]中的子集(1)Forallitemsetsc∈C[k]do(2)Forall(k-1)-subsetssofcdo(3)if(sL[k-1])(4)thendeletecfromC[k]2021/6/2424高级人工智能史忠植举例：L[3]为{{1,2,3},{1,2,4},{1,3,4},{1,3,5},{2,3,4}}经过join后，C[4]={{1,2,3,4},{1,3,4,5}}由于{1,3,4,5}有子集{1,4,5}不在L[3]中，所以经过prune后，得到L[4]={{1,2,3,4}}2021/6/2425高级人工智能史忠植2021/6/2426高级人工智能史忠植2021/6/2427高级人工智能史忠植2021/6/2428高级人工智能史忠植2021/6/2429高级人工智能史忠植关联规则发现注意的问题充分理解数据目标明确数据准备工作要做好选取适当的最小的支持度和可信度很好地理解关联规则2021/6/2430高级人工智能史忠植关联规则发现使用步骤连接数据，做数据准备给定最小支持度和最小可信度，利用知识发现工具提供的算法发现关联规则可视化显示、理解、评估关联规则2021/6/2431高级人工智能史忠植关联规则在保险业务中的应用最小支持度1%，最小可信度为50%2021/6/2432高级人工智能史忠植2021/6/2433高级人工智能史忠植2021/6/2434高级人工智能史忠植2021/6/2435高级人工智能史忠植数据仓库在过去几十年，数据库技术，特别是OLTP（联机事务处理），主要是为自动化生产、精简工作任务和高速采集数据服务。它是事务驱动的、面向应用的。20世纪80年代，人们要利用现有的数据，进行分析和推理，从而为决策提供依据。这种需求既要求联机服务，又涉及大量用于决策的数据。而传统的数据库系统已无法满足这种需求：所需历史数据量很大，而传统数据库一般只存储短期数据。涉及许多部门的数据，而不同系统的数据难以集成。对大量数据的访问性能明显下降2021/6/2436高级人工智能史忠植数据仓库的定义信息处理技术的发展趋势是：从大量的事务型数据库中抽取数据，并将其清理、转换为新的存储格。随着此过程的发展和完善，这种九十年代初出现的支持决策的、特殊的数据存储即被称为数据仓库（DataWarehouse）。Inmon将数据仓库明确定义为：数据仓库（DataWarehouse）是面向主题的，集成的，内容相对稳定的、不同时间的数据集合，用以支持经营管理中的决策制定过程。2021/6/2437高级人工智能史忠植数据仓库的特征(1)数据仓库中的数据是面向主题的与传统数据库面向应用相对应的。主题是一个在较高层次将数据归类的标准，每一个主题基本对应一个宏观的分析领域数据仓库中的数据是集成的在数据进入数据仓库之前，必然要经过加工与集成。要统一原始数据中的所有矛盾之处，还要进行数据综合和计算2021/6/2438高级人工智能史忠植数据仓库的特征(2)数据仓库中的数据是稳定的数据仓库的数据主要供决策分析之用，所涉及的操作主要是数据查询，一般不进行修改操作数据仓库中的数据又是随时间不断变化的数据仓库的数据不是实时更新的，但并不是永远不变的，也要随着时间的变化不断地更新、增删和重新综合。更新周期2021/6/2439高级人工智能史忠植元数据元数据（Metadata）是关于数据的数据，它描述了数据的结构、内容、编码、索引等内容。传统数据库中的数据字典是一种元数据，但在数据仓库中，元数据的内容比数据库中的数据字典更加丰富和复杂。 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 一个描述能力强、内容完善的元数据，是有效管理数据仓库的具有决定意义的重要前提2021/6/2440高级人工智能史忠植元数据的重要性数据仓库使用者往往将使用元数据作为分析的第一步。元数据如同数据指示图，指出了数据仓库内各种信息的位置和含义从操作型数据环境到数据仓库的数据转换是复杂的、多方面的，是数据仓库建设的关键性步骤，元数据要包含对这种转换的清晰描述，保证这种转换是正确、适当和合理的，并且是灵活可变的元数据还管理粒度的划分、索引的建立以及抽取更新的周期等，以便管理好数据仓库中的大规模数据2021/6/2441高级人工智能史忠植数据仓库的相关概念事实表（Fact）：存储用户需要查询分析的数据，事实表中一般包含多个维（Dimension）和度量（Measurement）。维：代表了用户观察数据的特定视角，如：时间维、地区维、产品维等。每一个维可划分为不同的层次来取值，如时间维的值可按年份、季度、月份来划分，描述了不同的查询层次。度量：是数据的实际意义，描述数据“是什么”，即一个数值的测量指标，如：人数、单价、销售量等。2021/6/2442高级人工智能史忠植数据仓库的建模模型度量的实际数据存放在事实表中。维的详细信息，如不同的层次划分和相应数据等在维表中存储，事实表中存放各个维的标识码键。事实表和维表将通过这些键关联起来，构成一种星型模型对于层次复杂的维,为避免冗余数据占用过大的存储空间,可以使用多个表来描述,这种星型模式的扩展称为雪花模型2021/6/2443高级人工智能史忠植OLAP数据仓库技术中，多维数据分析（MultidimensionalDataAnalysis）方法是一种重要的技术，也称作联机分析处理（On-LineAnalyticalProcessing，简称OLAP）或数据立方体（DataCube）方法，主要是指通过各种即席复杂查询，对数据仓库中存储的数据进行各种统计分析的应用数据仓库是面向决策支持的，决策的前提是数据分析。在数据分析中经常要用到诸如求和、总计、平均、最大、最小等汇集操作，这类操作的计算量特别大。2021/6/2444高级人工智能史忠植OLAP的类型ROLAP：数据保留在原有的关系型结构中，并且将聚合表也存储在关系数据库,在技术成熟及各方面的适应性上较之MOLAP占有一定的优势，性能较差MOLAP:数据和聚合都存储在多维结构中，效率较高，便于进行优化操作。维数多数据量大时，存储是难点。HOALP:数据保留在原有的关系型结构中，聚合存储在多维结构。结合ROLAP和MOLAP两者的优点2021/6/2445高级人工智能史忠植OLAP的分析操作OLAP的基本多维分析操作有钻取（rollup和drilldown）、切片（slice）和切块（dice）、以及旋转（pivot)等。钻取是改变维的层次，变换分析的粒度。它包括向上钻取和向下钻取。rollup是在某一维上将低层次的细节数据概括到高层次的汇总数据；而drilldown则相反，它从汇总数据深入到细节数据进行观察切片和切块是在一部分维上选定值后，关心度量数据在剩余维上的分布。如果剩余的维只有两个，则是切片，否则是切块旋转是变换维的方向，即在 表格 关于规范使用各类表格的通知入职表格免费下载关于主播时间做一个表格详细英语字母大小写表格下载简历表格模板下载 中重新安排维的放置（例如行列互换2021/6/2446高级人工智能史忠植数据仓库和知识发现技术的结合(1)知识发现成为数据仓库中进行数据深层分析的一种必不可少的手段数据仓库是面向决策分析的，数据仓库从事务型数据抽取并集成得到的分析型数据后，需要各种决策分析工具对这些数据进行分析和挖掘，得到有用的决策信息。而知识发现技术具备从大量数据中发现有用信息的能力。2021/6/2447高级人工智能史忠植数据仓库和知识发现技术的结合(2)数据仓库为知识发现提供经过良好预处理的数据源知识发现往往依赖于经过良好组织和预处理的数据源，数据的好坏直接影响知识发现的效果。数据仓库具有从各种数据源中抽取数据，并对数据进行清洗、聚集和转换等各种处理的能力2021/6/2448高级人工智能史忠植一、数据挖掘概念----发展1989IJCAI会议：数据库中的知识发现讨论专题KnowledgeDiscoveryinDatabases(G.Piatetsky-ShapiroandW.Frawley,1991)1991-1994KDD讨论专题AdvancesinKnowledgeDiscoveryandDataMining(U.Fayyad,G.Piatetsky-Shapiro,P.Smyth,andR.Uthurusamy,1996)1995-1998KDD国际会议(KDD’95-98)JournalofDataMiningandKnowledgeDiscovery(1997)1998ACMSIGKDD,SIGKDD’1999-2002会议,以及SIGKDDExplorations数据挖掘方面更多的国际会议PAKDD,PKDD,SIAM-DataMining,(IEEE)ICDM,DaWaK,SPIE-DM,etc.2021/6/2449高级人工智能史忠植二、数据挖掘软件的发展代特征数据挖掘算法集成分布计算模型数据模型第一代作为一个独立的应用支持一个或者多个算法独立的系统单个机器向量数据第二代和数据库以及数据仓库集成多个算法：能够挖掘一次不能放进内存的数据数据 管理系统 工资管理系统慧云智能化管理系统免费考勤管理系统员工工资计算excel病人信息管理系统 ，包括数据库和数据仓库同质、局部区域的计算机群集有些系统支持对象,文本和连续的媒体数据第三代和预言模型系统集成多个算法数据管理和预言模型系统intranet/extranet网络计算支持半结构化数据和web数据第四代和移动数据/各种计算设备的数据联合多个算法数据管理、预言模型、移动系统移动和各种计算设备普遍存在的计算模型RobertGrossman，NationalCenterforDataMiningUniversityofIllinoisatChicago的观点2021/6/2450高级人工智能史忠植二、数据挖掘软件的发展第一代数据挖掘软件2021/6/2451高级人工智能史忠植二、数据挖掘软件的发展第一代数据挖掘软件CBA新加坡国立大学。基于关联规则的分类算法，能从关系数据或者交易数据中挖掘关联规则，使用关联规则进行分类和预测2021/6/2452高级人工智能史忠植二、数据挖掘软件的发展第二代数据挖掘软件特点与数据库管理系统（DBMS）集成支持数据库和数据仓库，和它们具有高性能的接口，具有高的可扩展性能够挖掘大数据集、以及更复杂的数据集通过支持数据挖掘模式（dataminingschema）和数据挖掘查询语言增加系统的灵活性典型的系统如DBMiner，能通过DMQL挖掘语言进行挖掘操作缺陷只注重模型的生成，如何和预言模型系统集成导致了第三代数据挖掘系统的开发2021/6/2453高级人工智能史忠植二、数据挖掘软件的发展第二代数据挖掘软件DBMiner2021/6/2454高级人工智能史忠植二、数据挖掘软件的发展第二代软件SASEnterpriseMiner2021/6/2455高级人工智能史忠植二、数据挖掘软件的发展第三代数据挖掘软件特点和预言模型系统之间能够无缝的集成，使得由数据挖掘软件产生的模型的变化能够及时反映到预言模型系统中由数据挖掘软件产生的预言模型能够自动地被操作型系统吸收，从而与操作型系统中的预言模型相联合提供决策支持的功能能够挖掘网络环境下（Internet/Extranet）的分布式和高度异质的数据，并且能够有效地和操作型系统集成缺陷不能支持移动环境2021/6/2456高级人工智能史忠植二、数据挖掘软件的发展第三代软件SPSSlementine以PMML的格式提供与预言模型系统的接口2021/6/2457高级人工智能史忠植二、数据挖掘软件的发展第四代数据挖掘软件特点目前移动计算越发显得重要，将数据挖掘和移动计算相结合是当前的一个研究领域。第四代软件能够挖掘嵌入式系统、移动系统、和普遍存在（ubiquitous）计算设备产生的各种类型的数据第四代数据挖掘原型或商业系统尚未见报导，PKDD2001上Kargupta发表了一篇在移动环境下挖掘决策树的论文，Kargupta是马里兰巴尔的摩州立大学（UniversityofMarylandBaltimoreCounty）正在研制的CAREER数据挖掘项目的负责人，该项目研究期限是2001年4月到2006年4月，目的是开发挖掘分布式和异质数据（Ubiquitous设备）的第四代数据挖掘系统。2021/6/2458高级人工智能史忠植演讲完毕，谢谢观看！