文档介绍：现代数据挖掘与传统数据挖掘的比较
一、相关概念及关系
数据挖掘 (Data Mining ,DM)又称数据库中的知识发现 (Knowledge Discover
in Database ,KDD),是目前人工智能和数据库领域研究的热点问题,所谓数据
挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息
的非平凡过程。 数据挖掘是一种决策支持过程, 它主要基于人工智能、 机器学****br/>模式识别、统计学、数据库、可视化技术等,高度自动化地分析企业的数据,做
出归纳性的推理, 从中挖掘出潜在的模式, 帮助决策者调整市场策略, 减少风险,
做出正确的决策。 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。
现代数据挖掘技术是指 20 世纪 80 年代末所出现的数据挖掘技术, 这些数据
挖掘技术大多可以从数据仓库中提取人们所感兴趣的、事先不知的、 隐含在数据
中的有用的信息和知识, 并将这些知识用概念、 规则、规律和模式等方式展示给
用户,使用户得以解决信息时代中的“数量过量,信息不足”的矛盾。现代数据
挖掘技术应该是从数据库中知识发现技术 (KDD)研究的起步,知识发现技术是随
着数据库开始存储了大量业务数据, 并采用机器学****技术分析这些数据、挖掘这
些数据背后的知识而发展起来的。随着 KDD 研究的进展,越来越多的研究人员
进入 KDD的研究领域。 现代数据挖掘包括知识发现和数据挖掘。
知识发现是用一种简洁的方式从大量数据中抽取信息的一种技术, 所抽取的
信息是隐含的、 未知的, 并且具有潜在的应用价值。 知识发现可以看成是一种有
价值信息的搜寻过程, 它不必预先假设或提出问题, 仍然能够找到那些非预期的
令人关注的信息, 这些信息表示了不同研究对象之间的关系和模式。它还能通过
全面的信息发现与分析,找到有价值的商业规则。
数据挖掘是 KDD 最核心的部分,是采用机器学****等方法进行知识挖掘的阶
段。数据挖掘算法的好坏将直接影响到所发现的知识的质量。一般在科学领域中
称为 KDD,而在工程应用领域则称为数据挖掘。
二、现代数据挖掘与传统数据挖掘的比较
1 、从研究内容来看 :随着 DMKD研究逐步深入 , 数据挖掘和知识发现的研究
已经形成了三根强大的技术支柱 , 即数据库、人工智能和数理统计。目前 ,DMKD
的主要研究内容包括基础理论、发现算法、 数据仓库、 可视化技术、 定性定量互
换模型、 知识表示方法、 发现知识的维护和再利用、 半结构化和非结构化数据中
的知识发现以及网上数据挖掘等。
数据挖掘所发现的知识最常见的有以下 4 类: ①广义知识 (Generalization),
是指类别特征的概括性描述知识。根据数据的微观特性发现其表征的、带有普遍
性的、较高层次概念的、宏观的知识 , 反映同类事物共同性质 , 是对数据的概括、
精炼和抽象。②关联知识 (Association), 它反映一个事件与其他事件之间依赖或
关联的知识。如果两项或多项属性之间存在关联 , 那么其中一项的属性值就可以
依据其他属性值进行预测。③分类知识 (Classifi-cation&Clustering), 反映同
类事物