数据挖掘算法应用

数据挖掘算法的应用班级：网络工程1202班学号：1208020231姓名：扬喜朋1.数据挖掘定义数据挖掘（英语：Datamining），又译为资料探勘、数据采矿。它是数据库知识发现（英语：Knowledge-DiscoveryinDatabases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性（属于Associationrulelearning）的信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。2.基本概念数据挖掘(DataMining)是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示3个步骤。数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等。3.数据挖掘算法数据挖掘算法是根据数据创建数据挖掘模型的一组试探法和计算。为了创建模型，算法将首先分析您提供的数据，并查找特定类型的模式和趋势。算法使用此分析的结果来定义用于创建挖掘模型的最佳参数。然后，这些参数应用于整个数据集，以便提取可行模式和详细统计信息。算法根据您的数据创建的挖掘模型可以采用多种形式，这包括:说明数据集中的事例如何相关的一组分类。预测结果并描述不同条件是如何影响该结果的决策树。预测销量的数学模型。说明在事务中如何将产品分组到一起的一组规则，以及一起购买产品的概率。4.数据挖掘常用的方法在大数据时代，数据挖掘是最关键的工作。大数据的挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的过程，也是一种决策支持过程。其主要基于人工智能，机器学习，模式学习，统计学等。通过对大数据高度自动化地分析，做出归纳性的推理，从中挖掘出潜在的模式，可以帮助企业、商家、用户调整市场政策、减少风险、理性面对市场，并做出正确的决策。目前，在很多领域尤其是在商业领域如银行、电信、电商等，数据挖掘可以解决很多问题，包括市场营销策略制定、背景分析、企业管理危机等。大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web数据挖掘等。这些方法从不同的角度对数据进行挖掘。(1)分类。分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到摸个给定的类别中。可以应用到涉及到应用分类、趋势预测中，如淘宝商铺将用户在一段时间内的购买情况划分成不同的类，根据情况向用户推荐关联类的商品，从而增加商铺的销售量。(2)回归分析。回归分析反映了数据库中数据的属性值的特性，通过函数表达数据映射的关系来发现属性值之间的依赖关系。它可以应用到对数据序列的预测及相关关系的研究中去。在市场营销中，回归分析可以被应用到各个方面。如通过对本季度销售的回归分析，对下一季度的销售趋势作出预测并做出针对性的营销改变。(3)聚类。聚类类似于分类，但与分类的目的不同，是针对数据的相似性和差异性将一组数据分为几个类别。属于同一类别的数据间的相似性很大，但不同类别之间数据的相似性很小，跨类的数据关联性很低。(4)关联规则。关联规则是隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现。关联规则的挖掘过程主要包括两个阶段：第一阶段为从海量原始数据中找出所有的高频项目组;第二阶段为从这些高频项目组产生关联规则。关联规则挖掘技术已经被广泛应用于金融行业企业中用以预测客户的需求，各银行在自己的ATM机上通过捆绑客户可能感兴趣的信息供用户了解并获取相应信息来改善自身的营销。(5)神经网络方法。神经网络作为一种先进的人工智能技术，因其自身自行处理、分布存储和高度容错等特性非常适合处理非线性的以及那些以模糊、不完整、不严密的知识或数据为特征的处理问题，它的这一特点十分适合解决数据挖掘的问题。典型的神经网络模型主要分为三大类：第一类是以用于分类预测和模式识别的前馈式神经网络模型，其主要代表为函数型网络、感知机;第二类是用于联想记忆和优化算法的反馈式神经网络模型，以Hopfield的离散模型和连续模型为代表。第三类是用于聚类的自组织映射方法，以ART模型为代表。虽然神经网络有多种模型及算法，但在特定领域的数据挖掘中使用何种模型及算法并没有统一的规则，而且人们很难理解网络的学习及决策过程。(6)Web数据挖掘。Web数据挖掘是一项综合性技术，指Web从文档结构和使用的集合C中发现隐含的模式P，如果将C看做是输入，P看做是输出，那么Web挖掘过程就可以看做是从输入到输出的一个映射过程。当前越来越多的Web数据都是以数据流的形式出现的，因此对Web数据流挖掘就具有很重要的意义。目前常用的Web数据挖掘算法有：PageRank算法，HITS算法以及LOGSOM算法。这三种算法提到的用户都是笼统的用户，并没有区分用户的个体。目前Web数据挖掘面临着一些问题，包括：用户的分类问题、网站内容时效性问题，用户在页面停留时间问题，页面的链入与链出数问题等。在Web技术高速发展的今天，这些问题仍旧值得研究并加以解决。5.数据挖掘算法的具体应用（1）.基于数据挖掘的溜槽振动模式分析与研究从生产实时数据的获取、基于GPRS的生产数据的无线传输、基于GPRS的生产数据报表管理系统三方面进行展开。作为研究具体实现案例，完成了某集团洗煤厂自动配煤系统的数字化通信系统。而数据挖掘算法在数字无线通信及电力传输方面也有着重要的作用，可以通过数据挖掘中的一些算法来对不同地区的用电进行合理的分析，进行合理的配电设置以确保不同地址之间用电的正常传输，这样可以大大解决一些因电力原因而产生的突发事件。而这其中也存在着一些隐患和弊端，利用GPRS无线传输结合数据挖掘算法的合理使用可以大幅度的减少突发事件的产生和对其解决的方便及可靠性。基于GPRS的生产数据报表管理系统，根据客户具体要求，设计完成了监控配煤数据和快速装车站实际配煤数据的相关处理，系统可生成多种形式的报表如块装报表、配煤批报表、配煤班报表、配煤日报表、配煤车报表、配煤年报表等。（3）.电力能源实时数据仓库系统研究与实现根据公司决策层的需求，分析和设计了适合公司决策支持的仓库数据逻辑模型和物理模型结构，对数据抽取、转换、装载和数据清洗等技术进行具体的应用研究，并结合数据挖掘算法对电力能源负荷分别进行了战略预测和战术预测的实际应用研究。在商业方面数据挖掘算法更是有着显露的能力，其可以准确的分析大量数据中有用的数据，而通过这些大量的数据我们可以从中得到我们想要的东西，可以说是事半功倍的效果，但是每一种技术的出现都伴随着利益与弊端的出现，数据挖掘可以促进人们对数据的解析和深入了解，但与此同时我们生活中大量的数据却得不到保护，损坏了我们信息的安全性，从而带来了很多不必要的麻烦。在商业中这样的现象更是层出不穷，有的人利用得来的大数据信息进行分析来进行商业战争，而有的商家则利用这些信息来分析客户的需求和爱好，已达到全心全意为客户服务来赢得商机，而这一切都是要通过数据挖掘算法来进行监控和实现的，数据挖掘算法为人们提供了大量有益的信息，从而促进社会及世界的发展。在此说明一点，针对于我们即将毕业的我们在选择就业还是创业来说我们要充分的学会利用大数据中的信息来做出正确的选择，而创业者则要学会去掌握大量的数据来挖掘当前客户所要的需求投其所好走一条正确的创业之路。6、数据挖掘算法应用总结数据挖掘算法在我们的生活中应用广泛，无论是从煤矿到发电厂，还是从发电厂到用户区，还是从用户到商家都离不开数据挖掘，而其中一些数据的收集和分析则为这些的运行提供保障，有了数据的挖掘整理才会让我们知道问题出在哪里，应该怎么去解决等一系列问题，可以说数据挖掘改变了我们改变了时间；还有很多我们所不知道的领域都是与数据挖掘密切相关的，所有我相信数据挖掘算法的应用在我们的生活中会越来越多，数据挖掘在不知不觉的改变着我们的生活我们的世界，所有的事物都会与数据相关联，就会与数据挖掘相联系，我们所处的时代是一个信息之间互换，数据之间交流的时代，数据挖掘将成为这个时代的焦点！