數據倉庫與數據挖掘概述
1. 數據倉庫與傳統數據庫
-
傳統型數據庫
- 定義:面向業務,對事物進行處理
- 類似關係型數據庫,對數據進行增刪改查
-
數據倉庫
-
定義:面向主題,集成,穩定,隨時間變化的數據集,支持管理決策過程
-
數據倉庫的數據來源:
-
DB,數據文件,其他數據運用數據ETL工具進行數據獲取
ETL,用來描述將數據從來源端經過抽取(extract)、轉換(transform)、加載(load)至目的端的過程
-
-
-
兩者關係
- 構建目的
- 傳統—> 處理日常事務
- 數據倉庫—> 爲幫助管理者做決策
傳統型數據庫是創建數據倉庫的一個數據源
- 構建目的
2. 數據挖掘與機器學習
- 什麼是數據挖掘
- 定義:試圖從海量數據中找出有用的知識
- 相識的知識發現:指發現的規則
- 什麼是機器學習
- 定義:利用經驗改善計算機系統自身的性能
3. 數據挖掘簡要分析
3.1 數據挖掘的主要任務
3.1.1 預測型
也可以說是有監督學習:分類迴歸,離羣點檢測等
數據已經給出樣本類別,答案等。
- 分類分析:用某種分類算法對錶中數據進行分析,挖掘分類規則
- 規則應用:利用數據分析預測新數據的類別,對其錄入規則。
3.1.2 描述型
也爲無監督學習: 聚類, 關聯分析,序列模式等
不知道類別和答案等
用聚類算法,根據給定的某種相似度標準,將沒有類別標記的數據庫記錄集劃分成若干個不相交子集(簇),使簇內的記錄之間相似度很高,不同簇相似度低。
類別 | 取值範圍 | 理論上取值個數 |
---|---|---|
離散型 | 字母或自然數 | 有限;可能無限 |
連續型 | 一個實數區間內 | 不可數,無限 |
3.2 不同任務所需算法簡述
- 分類:模型輸出爲離散型, 朴樹貝斯,決策樹,邏輯迴歸算法,KNN
- 迴歸: 模型輸出爲連續型
- 聚類: k-mean算法,層次聚類。
- 關聯分析: Apriori等
- 序列模型: 類Apriori等
4. 數據
定義:一切可被記錄的
-
用來描述對象的屬性。
- id:標識碼主鍵
- 屬性名:特徵
- 取值:特徵的值
-
數據預處理
- 數據清洗:洗出主要數據
- 數據集成:對多個數據源進行同一
- 數據變換
- 數據歸約
- 數據離散化