数据挖掘的实现流程
发布时间
阅读量：
阅读量
文章目录
- 数据、信息与知识体系的构建
- 数据挖掘实现流程图概览
- 数据准备阶段（第一步）
- 数据挖掘过程（第二步）
- 模型评估与解释（第三阶段）
- 知识应用（第四阶段）
- 总结与展望
1.数据、信息与知识
2.数据挖掘实现流程概览图
这里提供两张图，以下讲解基于第一张图。
3.数据准备(step 1)
Knowledge Discovery in Databases（KDD）被称为知识发现，简称为KDD。KDD处理的对象是大量数据，这些数据通常储存在数据库系统中，且多为长期积累的结果。然而，这些数据往往不适合直接用于知识挖掘，这通常包括进行必要的预处理工作，这一步骤对于后续有效的知识发现至关重要。
数据预处理主要涉及：
数据预处理是知识发现过程的第一个步骤，同时也是其中的关键环节。数据预处理的效果将直接影响数据挖掘的效率和准确性，从而确保最终模式的有效性。
4.数据挖掘(step 2)
数据挖掘是整个流程的核心环节，它基于KDD的目标，确定相关算法的参数设置，对数据进行分析处理，最终提取潜在的知识模式。目前广泛采用的技术包括决策树、分类、聚类、粗糙集、关联规则、神经网络、遗传算法等技术。
5.模型的评估解释(step 3)
通过上述步骤获得的模式，可能缺乏意义或实用性，因此需要进行评估，以确定哪些模式是有效的和实用的。此外，大多数模式通过数学手段进行描述，难以被普通用户理解，仍需将其以易懂的方式呈现给用户。
6.知识运用(step 4)
知识的获得最终目的是为了其应用，而如何使知识得以运用则是KDD的重要环节。在知识的应用方面，有两种主要的方法：其一是仅凭知识所阐述的关系或结果即可为决策者提供支持；其二是通过将新数据与知识结合，可能会引出新的问题，从而需要对知识进行优化。
7.小结
KDD过程可能包含多次循环，每当任何步骤出现与预期目标不符的情况时，就需要返回至前面步骤，重新进行优化和执行。
全部评论 (0)
还没有任何评论哟~