文档介绍：数据仓库与数据挖掘
数据仓库与数据挖掘
第一章数据仓库与数据挖掘概述
第二章数据仓库的分析
第三章数据仓库的设计与实施
第四章信息分析的基本技术
第五章数据挖掘过程
第六章数据挖掘基本算法
第七章非结构化数据挖掘
第八章离群数据挖掘
第九章数据挖掘语言与工具的选择
第十章知识管理与知识管理系统
第六章数据挖掘基本算法
分类规则挖掘
预测分析与趋势分析规则
数据挖掘的关联算法
数据挖掘的聚类算法
数据挖掘的统计分析算法
数据挖掘的品种优化算法
数据挖掘的进化算法
预测分析与趋势分析规则
预言的基本方法
定量分析预测
预测的结果分析
趋势分析挖掘
预言的基本方法
预言(prediction)是一门掌握对象变化动态的科学,它是对对象变动趋势的预见、分析和判断,也是一种动态分析方法。
预言的目的是对未来未知变量的预测,这种预测是需要时间来验证的,即必须经过一定时间后,才知道预言准确性是多少。
一旦建立了表示数据中固有模式和趋势的模型,那么这个模型就可以成功地用于对未来时间的结果进行预测。
预言的基本方法
预测的基本步骤:
(1)确定预测目标,包括预测对象、目的、对象范围;
(2)收集分析内部和外部资料;
(3)数据的处理及模型的选择;
(4)预测模型的分析、修正;
(5)确定预测值。
预言的基本方法
预测方法一般有定性分析预测法和定量预测法。
定性预测包括:集合意见法、用户意见法(对象调查法)、员工意见法、专家评估法、类推法、判断预测和目标分解法等;
定量预测方法包括:情景分析法、时间序列分析法(移动平均,指数平滑,季节系数,DOX-TENKENS法)、因果分析法(线性,回归,非线性模型:含生命周期法,经济计量模型,灰色系统模型,状态转移分析法,模拟法,系统模型)等。
定量分析预测
(1)时间序列分析法
(2)回归预测
(3)非线性预测
(4)灰色预测模型GM(1,1)
(5)组合预测
(1)时间序列分析法
时间序列分析法的原始数据要求:
1)在时间上具有连续性;
2)数据之间的可比性;
3)可以采取交叉预测。
时间序列可划为四种变化特征:趋势性(T)、季节性(S)、周期性(C)、不规则性(I)。可以利用散点图识别来变化特征。
时间序列分析法一般有:简单平均、移动平均、加权移动平均、指数平滑、一元线性回归、相关比例推算。
(1)时间序列分析法
时间序列定义——从时间序列的角度来看, 每个数据单元可以被抽象为一个二元组( t, o) 。其中:t 为时间变量; o 为数据变量, 反映数据单元的实际意义, 如某种商品的销售金额、股票的价格等。由此,对于时间序列可以给出如下定义:
时间序列R 是一个有限集{ ( t1 , o1 ) , ( t2 , o2 ) , ⋯, ( tn, on) } , 满足ti < ti + 1 ( i = 1, 2, ⋯, n - 1) 。
由时间序列组成的数据库称为时间序列数据库。针对时间序列数据库的挖掘就是时间序列数据挖掘。时间序列数据挖掘是时间序列数据库中知识挖掘的一个步骤, 它发现时间序列数据中的时态模式或模型。