淺析數據挖掘技術

田春雨

隨著信息技術的不斷發展，人們對數據處理的要求也越來越高。比如利用其預測未來發展趨勢或得到其它有價值的信息等。而這些功能對于傳統的數據管理系統往往是做不到的。因為一般的數據庫管理系統只提供數據的一些簡單處理功能，如果想從中發現數據之間存在的內在聯系或發現現其規律，對龐大的數據進行處理是極其困難的。由于數據在日常決策中的重要性變得越來越重要，因此人們希望找到一種可以幫助我們處理大量繁雜數據的方法，進而發現有價值的信息最終為決策服務，同時也可減輕人工處理的負擔。

數據挖掘（Data Mining）又譯為數據開采。即是從大量的、有噪聲的、不完全的、模糊的、隨機的數據中，提取隱含在其中的而又是潛在有用的信息及知識的過程。也稱之為知識發現（KDD），一直以來，對于“知識發現”和“數據挖掘”這兩個術語的使用界限一直很模糊，在1996 年召開的KDD 國際會議上，Fayyd 等對這兩個術語進行了定義：KDD是從數據中辨別有效的、新穎的、潛在有用的、最終可理解的模式的過程，指的是數據庫中知識發現的全過程，而數據挖掘只是 KDD 過程中的一個特定步驟，它一般分為五個階段：選擇目標數據、預處理數據、轉化數據、進行數據挖掘以提取模式和關系、解釋并評價發現的結構。

數據挖掘主要是利用特定的知識發現算法，進而從數據中發現相關的知識。它只是 KDD 當中的一個步驟，而人們則經常不嚴格區分數據挖掘和知識發現，將二者混淆使用。一般情況下，在科研領域中稱之為 KDD，而在工程領域則稱之為數據挖掘。

人們往住把原始數據看作是形成知識的源泉。而原始數據可以是結構化的，如關系數據庫中的數據，也可以是半結構化，如文本、圖形、圖像數據，甚至是分布在網絡上的異構數據。發現知識的方法可以是數學的，也可以是非數學的；可以是演繹的，也可以是歸納的。發現了的知識可以被用于信息管理、查詢優化、決策支持、過程控制等，還可以用于數據自身的維護。因此，數據挖掘與計算機科學有關，它涉及到數據庫、人工智能、數理統計、機器學習、數據可視化技術、模式識別、神經網絡、歸納推理、高性能并行等多個領域，因此它是一門交叉型學科，而其研究內容也非常的廣泛。

從不同的角度看，數據挖掘技術可分為以下多種分類方法：

（1）根據挖掘的數據庫分類數據挖掘根據數據庫類型進行分類，包括：關系型（ Relational ）、事務型（Transactional）、面向對象型（Objected-Oriented）、主動型（Active）、空間型（Spacial）、時間型（Temporal）、文本型（Textual）、對媒體型（Multimedia）等。

（2）根據所采用技術分類數據挖掘基于所采用技術進行分類，可分為：規則歸納、神經網絡、決策樹、遺傳算法、可視化等。

由此可知，數據挖掘的過程是多個步驟相互連接、反復進行人機交互的過程。