1. 十三種常用的數據挖掘的技術
十三種常用的數據挖掘的技術
一、前 沿
數據挖掘就是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中，提取隱含在其中的、人們事先不知道的但又是潛在有用的信息和知識的過程。數據挖掘的任務是從數據集中發現模式，可以發現的模式有很多種，按功能可以分為兩大類：預測性(Predictive)模式和描述性(Descriptive)模式。在應用中往往根據模式的實際作用細分為以下幾種：分類，估值，預測，相關性分析，序列，時間序列，描述和可視化等。
數據挖掘涉及的學科領域和技術很多，有多種分類法。根據挖掘任務分，可分為分類或預測模型發現、數據總結、聚類、關聯規則發現、序列模式發現、依賴關系或依賴模型發現、異常和趨勢發現等等；根據挖掘對象分，有關系資料庫、面向對象資料庫、空間資料庫、時態資料庫、文本數據源、多媒體資料庫、異質資料庫、遺產資料庫以及環球網Web；根據挖掘方法分，可粗分為：機器學習方法、統計方法、神經網路方法和資料庫方法。機器學習中，可細分為：歸納學習方法(決策樹、規則歸納等)、基於範例學習、遺傳演算法等。統計方法中，可細分為：回歸分析(多元回歸、自回歸等)、判別分析(貝葉斯判別、費歇爾判別、非參數判別等)、聚類分析(系統聚類、動態聚類等)、探索性分析(主元分析法、相關分析法等)等。神經網路方法中，可細分為：前向神經網路(BP演算法等)、自組織神經網路(自組織特徵映射、競爭學習等)等。資料庫方法主要是多維數據分析或OLAP方法，另外還有面向屬性的歸納方法等等。
二、數據挖掘技術簡述
數據挖掘的技術有很多種，按照不同的分類有不同的分類法。下面著重討論一下數據挖掘中常用的一些技術：統計技術，關聯規則，基於歷史的分析，遺傳演算法，聚集檢測，連接分析，決策樹，神經網路，粗糙集，模糊集，回歸分析，差別分析，概念描述等十三種常用的數據挖掘的技術。
1、統計技術
數據挖掘涉及的科學領域和技術很多，如統計技術。統計技術對數據集進行挖掘的主要思想是：統計的方法對給定的數據集合假設了一個分布或者概率模型(例如一個正態分布)然後根據模型採用相應的方法來進行挖掘。
2、關聯規則
數據關聯是資料庫中存在的一類重要的可被發現的知識。若兩個或多個變數的取值之I司存在某種規律性，就稱為關聯。關聯可分為簡單關聯、時序關聯、因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。有時並不知道資料庫中數據的關聯函數，即使知道也是不確定的，因此關聯分析生成的規則帶有可信度。
3、基於歷史的MBR(Memory-based Reasoning)分析
先根據經驗知識尋找相似的情況，然後將這些情況的信息應用於當前的例子中。這個就是MBR(Memory Based Reasoning)的本質。MBR首先尋找和新記錄相似的鄰居，然後利用這些鄰居對新數據進行分類和估值。使用MBR有三個主要問題，尋找確定的歷史數據；決定表示歷史數據的最有效的方法；決定距離函數、聯合函數和鄰居的數量。
4、遺傳演算法GA(Genetic Algorithms)
基於進化理論，並採用遺傳結合、遺傳變異、以及自然選擇等設計方法的優化技術。主要思想是：根據適者生存的原則，形成由當前群體中最適合的規則組成新的群體，以及這些規則的後代。典型情況下，規則的適合度(Fitness)用它對訓練樣本集的分類准確率評估。
5、聚集檢測
將物理或抽象對象的集合分組成為由類似的對象組成的多個類的過程被稱為聚類。由聚類所生成的簇是一組數據對象的集合，這些對象與同一個簇中的對象彼此相似，與其它簇中的對象相異。相異度是根據描述對象的屬眭值來計算的，距離是經常採用的度量方式。
6、連接分析
連接分析，Link analysis，它的基本理論是圖論。圖論的思想是尋找一個可以得出好結果但不是完美結果的演算法，而不是去尋找完美的解的演算法。連接分析就是運用了這樣的思想：不完美的結果如果是可行的，那麼這樣的分析就是一個好的分析。利用連接分析，可以從一些用戶的行為中分析出一些模式；同時將產生的概念應用於更廣的用戶群體中。
7、決策樹
決策樹提供了一種展示類似在什麼條件下會得到什麼值這類規則的方法。
8、神經網路
在結構上，可以把一個神經網路劃分為輸入層、輸出層和隱含層。輸入層的每個節點對應—個個的預測變數。輸出層的節點對應目標變數，可有多個。在輸入層和輸出層之間是隱含層(對神經網路使用者來說不可見)，隱含層的層數和每層節點的個數決定了神經網路的復雜度。
除了輸入層的節點，神經網路的每個節點都與很多它前面的節點(稱為此節點的輸入節點)連接在一起，每個連接對應一個權重Wxy，此節點的值就是通過它所有輸入節點的值與對應連接權重乘積的和作為—個函數的輸入而得到，我們把這個函數稱為活動函數或擠壓函數。
9、粗糙集
粗糙集理論基於給定訓練數據內部的等價類的建立。形成等價類的所有數據樣本是不加區分的，即對於描述數據的屬性，這些樣本是等價的。給定現實世界數據，通常有些類不能被可用的屬性區分。粗糙集就是用來近似或粗略地定義這種類。
10、模糊集
模糊集理論將模糊邏輯引入數據挖掘分類系統，允許定義「模糊」域值或邊界。模糊邏輯使用0.0和1.0之間的真值表示一個特定的值是一個給定成員的程度，而不是用類或集合的精確截斷。模糊邏輯提供了在高抽象層處理的便利。
11、回歸分析
回歸分析分為線性回歸、多元回歸和非線性同歸。在線性回歸中，數據用直線建模，多元回歸是線性回歸的擴展，涉及多個預測變數。非線性回歸是在基本線性模型上添加多項式項形成非線性同門模型。
12、差別分析
差別分析的目的是試圖發現數據中的異常情況，如噪音數據，欺詐數據等異常數據，從而獲得有用信息。
13、概念描述
概念描述就是對某類對象的內涵進行描述，並概括這類對象的有關特徵。概念描述分為特徵性描述和區別性描述，前者描述某類對象的共同特徵，後者描述不同類對象之間的區別，生成一個類的特徵性描述只涉及該類對象中所有對象的共性。
三、結束語
由於人們急切需要將存在於資料庫和其他信息庫中的數據轉化為有用的知識，因而數據挖掘被認為是一門新興的、非常重要的、具有廣闊應用前景和富有挑戰性的研究領域，並應起了眾多學科(如資料庫、人工智慧、統計學、數據倉庫、在線分析處理、專家系統、數據可視化、機器學習、信息檢索、神經網路、模式識別、高性能計算機等)研究者的廣泛注意。作為一門新興的學科，數據挖掘是由上述學科相互交叉、相互融合而形成的。隨著數據挖掘的進一步發展，它必然會帶給用戶更大的利益。
2. 多維曲線擬合與線性回歸有什麼區別
多維曲線擬合和線性回歸都是統計學中常用的方法，用於建立因變數與自變數之間的關系模型。然而，它們之間存在一些重要的區別。
首先，線性回歸假設因變數和自變數之間的關系是線性的，即它們之間存在一個直線或平面。這意味著線性回歸只能捕捉到因變數和自變數之間的線性關系，而不能捕捉到非線性關系。而多維曲線擬合則可以處理非線性關系，它通過使用多個自變數來構建一個復雜的曲線模型，以更好地描述因變數和自變數之間的關系。
其次，線性回歸只能處理兩個自變數的情況，即只有一個自變數和一個因變數。當有多個自變數時，線性回歸無法准確地描述它們之間的復雜關系。而多維曲線擬合可以處理多個自變數的情況，它可以構建一個包含多個自變數的曲線模型，以更准確地描述因變數和自變數之間的關系。
此外，線性回歸假設誤差項是獨立且同分布的，即每個觀測值的誤差項之間沒有相關性。而多維曲線擬合則可以考慮誤差項之間的相關性，例如通過使用多項式回歸模型來捕捉誤差項之間的二次或更高次方的關系。
最後，線性回歸的結果可以通過系數來解釋自變數對因變數的影響程度。而多維曲線擬合的結果則需要通過擬合曲線的形狀和參數來解釋自變數對因變數的影響程度。
綜上所述，多維曲線擬合和線性回歸在處理非線性關系、多個自變數、誤差項相關性以及結果解釋等方面存在一些區別。選擇使用哪種方法取決於具體的問題和數據特徵。