數據挖掘技術與應用

過正 侯振泉

【摘要】 數據挖掘一直是各個行業的關注的重點。近幾年，數據挖掘伴隨著大數據的火熱開始迎來更大的機遇。本文介紹了數據挖掘相關的概念，一些常用的數據挖掘的分析方法，最后介紹了數據挖掘技術幾個常見的應用領域。

【關鍵詞】 數據挖掘 大數據 分析方法 應用領域

一、數據挖掘

數據挖掘是一門新興的學科，它誕生于20世紀80年代，主要面向商業應用的人工智能研究領域。從技術角度看，數據挖掘就是從大量的、復雜的、不規則的、隨機的、模糊的數據中獲取隱含的、人們事先沒有發覺的、有潛在價值的信息和知識的過程。

從商業角度來說，數據挖掘就是從龐大的數據庫中抽取、轉換、分析一些潛在規律和價值，從中獲取輔助商業決策的關鍵信息和有用知識。

二、數據挖掘的基本分析方法

分析方法是數據挖掘的核心工作，通過科學可靠的算法才能實現數據的挖掘，找出數據中潛在的規律。通過不同的分析方法，將解決不同類型的問題，在現實中針對不同的分析目標，找出相對應的方法。

目前常用的分析方法主要有聚類分析、分類和預測、關聯分析等。

2.1聚類分析

聚類分析就是將物理或抽象對象的集合進行分組，然后組成為由類似或相似的對象組成的多個分類的分析過程，其目的就是通過相似的方法來收集數據分類。它是一種無先前知識，無監督的學習過程，從數據對象中找出有意義的數據，然后將其劃分在一個未知的類。這不同于分類，因為它無法獲知對象的屬性。“物以類聚，人以群分”，通過聚類來分析事物之間類聚的潛在規律。聚類分析廣泛運用于心理學、統計學、醫學、生物學、市場銷售、數據識別、機器智能學習等領域。

聚類分析根據隸屬度的取值范圍可分為硬聚類和模糊聚類兩種方法。硬聚類就是將對象劃分到距離最近聚類的類，非此即彼，也就是說屬于一類，就必然不屬于另一類。模糊聚類就是根據隸屬度的取值范圍的大小差異來劃分類。一個樣本可能屬于多個類。常見的聚類算法主要有密度聚類算法、層次聚類算法、劃分聚類算法、網格聚類算法、模型聚類算法等。

2.2分類和預測

分類和數值預測是問題預測的兩種主要類型。分類是預測分類（離散、無序的）標號，而預測則是建立連續值函數模型。分類是數據挖掘的重要基礎，它是對已知的訓練數據集表現出來的特性，獲得每個類別的描述或屬性來構造相應的分類器或者分類。分類是一種有監督的學習過程，它是根據訓練數據集發現準確描述來劃分類別。常見的分類算法主要有決策樹、粗糙集、貝葉斯、遺傳算法、神經網路等。預測就是根據分類和回歸來預測將來的規律。常見的預測方法主要有局勢外推法、時間序列法和回歸分析法。

2.3關聯分析

在自然界，事物之間存在著千絲萬縷的聯系，當某一事件發生時，可能會帶動其它事件的發生。關聯分析就是利用事物之間存在的依賴或關聯知識來發現事物之間存在的規律性，然后通過這種規律性進行預測。如經典實例購物籃分析，就是通過分析顧客購物籃中物品的管理規律，來分析顧客的購物心理和習慣，然后根據這種規律來幫助營銷人員制定營銷策略。

三、大數據時代的數據挖掘的應用領域

3.1市場營銷領域

市場營銷是數據挖掘技術應用最早和最多的領域。通過分析和挖掘用戶的消費習慣和消費特點，來提高商品的銷售業績。目前，數據挖掘在市場營銷方面已經不僅僅限于超市購物等方面，已經普及到各個金融領域，如保險、電子商務、銀行、電信零售等行業。利用數據挖掘技術來分析顧客的消費行為，為本行業帶來潛在的客戶和效益。

3.2科學研究

在科學研究中，經常需要分析各種大量的實驗和觀測數據，并找出相關的規律和知識。這些數據分析和挖掘都需要一定的算法，利用數據挖掘技術能科學的找出數據之間的規律以及找出我們未發現的知識。例如，對外空星體的探索、對DNA數據的分析等等。

在制造業、電信、教育領域，數據挖掘也發揮著巨大的作用，對過去政策的評估和新政策的制定都有很大的幫助。

伴隨著大數據的數據管理，檢索技術研究的進步，數據挖掘技術將迎來巨大的發展機遇，數據挖掘技術的應用也將更加廣泛，數據挖掘的工具也將更加強大.

參 考 文 獻

[1]胡天狀.數據挖掘技術在教育決策支持系統中的應用[D].杭州：浙江師范大學，2002.

[2]吳文紹.甘肅省教育管理信息決策支持系統[D].蘭州：蘭州理工大學，2006.

[3]丁守哲.基于云計算的建筑設計行業信息系統開發模式與實現技術研究[D].合肥：合肥工業大學，2012.

[4]劉華婷，郭仁祥，姜浩.關聯規則挖掘Apriori算法的研究與改進[J].計算機應用與軟件，2009（1）：146-149.

[5]程軍鋒.Web數據挖掘研究[J].重慶三峽學院學報，2013（3）：43-45.