數(shù)據(jù)挖掘的名詞解釋?zhuān)繑?shù)據(jù)挖掘是指通過(guò)算法從大量數(shù)據(jù)中尋找隱藏信息的過(guò)程。數(shù)據(jù)挖掘通常與計(jì)算機(jī)科學(xué)有關(guān)，通過(guò)統(tǒng)計(jì)學(xué)、聯(lián)機(jī)分析處理、信息檢索、機(jī)器學(xué)習(xí)、專(zhuān)家系統(tǒng)(依靠過(guò)去的經(jīng)驗(yàn)規(guī)則)、模式識(shí)別等多種方法來(lái)

數(shù)據(jù)挖掘的名詞解釋?zhuān)?/h2>

數(shù)據(jù)挖掘是指通過(guò)算法從大量數(shù)據(jù)中尋找隱藏信息的過(guò)程。

數(shù)據(jù)挖掘通常與計(jì)算機(jī)科學(xué)有關(guān)，通過(guò)統(tǒng)計(jì)學(xué)、聯(lián)機(jī)分析處理、信息檢索、機(jī)器學(xué)習(xí)、專(zhuān)家系統(tǒng)(依靠過(guò)去的經(jīng)驗(yàn)規(guī)則)、模式識(shí)別等多種方法來(lái)實(shí)現(xiàn)上述目標(biāo)。

數(shù)據(jù)挖掘?qū)ο?/p>

1.數(shù)據(jù)類(lèi)型可以是結(jié)構(gòu)化的、半結(jié)構(gòu)化的，甚至是異構(gòu)的。發(fā)現(xiàn)知識(shí)的方法可以是數(shù)學(xué)的、非數(shù)學(xué)的、歸納的。最終發(fā)現(xiàn)的知識(shí)可用于信息管理、查詢(xún)優(yōu)化、決策支持和數(shù)據(jù)維護(hù)。

2.數(shù)據(jù)挖掘的對(duì)象可以是任何類(lèi)型的數(shù)據(jù)源?？梢允顷P(guān)系數(shù)據(jù)庫(kù)，是包含結(jié)構(gòu)化數(shù)據(jù)的數(shù)據(jù)源；也可以是數(shù)據(jù)倉(cāng)庫(kù)、文本、多媒體數(shù)據(jù)、空間數(shù)據(jù)、時(shí)間序列數(shù)據(jù)、W

數(shù)據(jù)挖掘分類(lèi)方法有哪些？

數(shù)據(jù)挖掘的分類(lèi)方法如下:

(1)決策樹(shù)

決策樹(shù)歸納是一種經(jīng)典的分類(lèi)算法。它采用自頂向下的遞歸分治法構(gòu)造決策樹(shù)。信息增益度量用于在樹(shù)的每個(gè)節(jié)點(diǎn)選擇測(cè)試屬性?？梢詮纳傻臎Q策樹(shù)中提取規(guī)則。

(2) KNN法(K-最近鄰法)

KNN法，即K近鄰法，最早由Cover和Hart于1968年提出，是理論上比較成熟的方法。這種方法的思路非常簡(jiǎn)單直觀(guān):如果一個(gè)特征空間中的k個(gè)最相似樣本中的大部分屬于某個(gè)類(lèi)別，那么這個(gè)樣本也屬于這個(gè)類(lèi)別。這種方法只根據(jù)分類(lèi)決策中最近的一個(gè)或幾個(gè)樣本的類(lèi)別來(lái)確定待分類(lèi)樣本的類(lèi)別。

(3) SVM方法

SVM (Support Vector Machine)方法是由Vapnik等人在1995年提出的，具有相對(duì)優(yōu)良的性能指標(biāo)。該方法是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法。通過(guò)學(xué)習(xí)算法，SVM可以自動(dòng)找到那些具有良好分類(lèi)能力的支持向量，由此構(gòu)造的分類(lèi)器可以最大化類(lèi)間間隔，因此具有更好的適應(yīng)性和更高的分類(lèi)率。該方法只需要根據(jù)不同領(lǐng)域中邊界樣本的類(lèi)別來(lái)確定最終的分類(lèi)結(jié)果。

(4) VSM方法

VSM方法是向量空間模型(向量空間模型)E Model)方法，由Salton等人于20世紀(jì)60年代末提出。這是最早也是最著名的信息檢索數(shù)學(xué)模型?；舅枷胧菍⑽臋n表示為加權(quán)特征向量:DD(T1，w1；T2，W2；…;Tn，Wn)，然后通過(guò)計(jì)算文本相似度來(lái)確定待分類(lèi)樣本的類(lèi)別。當(dāng)文本表示為空間向量模型時(shí)，文本的相似度可以用特征向量之間的內(nèi)積來(lái)表示。

存在