數(shù)據(jù)倉庫與數(shù)據(jù)挖掘?qū)嶒炛笇?doc

數(shù)據(jù)倉庫與數(shù)據(jù)挖掘課程實驗本實驗是數(shù)據(jù)倉庫與數(shù)據(jù)挖掘課程的驗證性實驗環(huán)節(jié)。課程共計8學時。實驗目標:1、掌握建立和配置數(shù)據(jù)倉庫的基本操作技能。主要包括數(shù)據(jù)倉庫系統(tǒng)的安裝。2、掌握數(shù)據(jù)倉庫中數(shù)據(jù)的處理技術(shù)。主要包括數(shù)據(jù)倉庫的建模、事務數(shù)據(jù)的轉(zhuǎn)換、備份數(shù)據(jù)的恢復。3、掌握基于數(shù)據(jù)倉庫的自動數(shù)據(jù)分析技術(shù)的基本操作技能。包括多維數(shù)據(jù)分析和數(shù)據(jù)挖掘。4、掌握一種專用數(shù)據(jù)挖掘軟件,用以分析處理文本或電子表格的數(shù)據(jù)。實驗環(huán)境:l Microsoft SQLServer2000l Microsoft SQLServer2000 Analysis Servcel DBMiner2.0l Microsoft SQLServer2000 PACK4l JAVA運行時環(huán)境:JRE5.0l WEKA3.55實驗項目:l實驗1:安裝數(shù)據(jù)倉庫系統(tǒng)平臺 1.5學時l實驗2:構(gòu)建數(shù)據(jù)倉庫數(shù)據(jù)環(huán)境 1.5學時l實驗3:多維數(shù)據(jù)分析 1.5學時l實驗4:基于數(shù)據(jù)倉庫的數(shù)據(jù)挖掘?qū)嶒?2.0學時l實驗5:數(shù)據(jù)挖掘平臺應用實驗 1.5學時實驗1:安裝數(shù)據(jù)倉庫系統(tǒng)平臺l實驗任務:1.掌握Microsoft Server2000 數(shù)據(jù)倉庫系統(tǒng)的安裝與配置2.安裝實驗分析環(huán)境:1安裝Microsoft Server2000 analysis Service2安裝DBMiner2.03 安裝Java運行時環(huán)境JRE5.04安裝WEKAl實驗準備:請從黑板或網(wǎng)上獲取安裝文件所在的網(wǎng)絡地址。并記在下面:網(wǎng)絡資料的地址是:_本實驗不得超過1.5學時。l實驗指導:Lab1.1檢查并安裝Microsoft Server2000單元目標:確保完整正確的數(shù)據(jù)倉庫實驗環(huán)境工作步驟:1.檢查你所使用的電腦上是否有Microsoft Server2000。如果有,啟動并檢查Microsoft Server2000 是否安裝了Server Pack3以上的補丁文件。2.如果以上都沒問題,則本實驗結(jié)束。3.下載相應的系統(tǒng)文件安裝。先安裝Microsoft Server2000,再安裝Server Pack3或Server Pack4。Lab1.2檢查并安裝數(shù)據(jù)分析環(huán)境單元目標:確保安裝了相應的數(shù)據(jù)分析軟件工作步驟:1.檢查你所使用的電腦是否安裝了Microsoft Server2000 analysisService,DBMiner2.0, JRE5.0, WEKA3.5.5。如果都已安裝且能正常運行,則本實驗結(jié)束。否則進入以下步驟。2.如果沒有安裝以上軟件。請按以下次序從網(wǎng)絡資料地址上下載軟件完成安裝。完成Lab1.1 和Lab1,2后,本實驗結(jié)束。實驗2:構(gòu)建數(shù)據(jù)倉庫數(shù)據(jù)環(huán)境l實驗任務:本實驗主要驗證ETL的數(shù)據(jù)處理過程。主要實驗任務有:1.構(gòu)建數(shù)據(jù)倉庫模型,并在數(shù)據(jù)倉庫系統(tǒng)中生成相應的數(shù)據(jù)表。2.將事務數(shù)據(jù)庫中的數(shù)據(jù)轉(zhuǎn)入數(shù)據(jù)倉庫中。3.還原備份和還原的數(shù)據(jù)倉庫中的數(shù)據(jù)。l實驗準備:請從黑板或網(wǎng)上獲取數(shù)據(jù)文件所在的網(wǎng)絡地址。并記在下面:數(shù)據(jù)文件的地址是:_ 本實驗不得超過1.5學時。本實驗將使用Microsoft SQLserver的示例數(shù)據(jù)庫:Northwind,這是一個商貿(mào)公司的銷售數(shù)據(jù)庫。我們將這個事務型的數(shù)據(jù)導入到分析型的數(shù)據(jù)倉庫中去。l實驗指導:Lab2.1用caseStudio2.15 建立數(shù)據(jù)倉庫的星型模型單元目標:建立Northwind_DW的數(shù)據(jù)倉庫模型。如下圖所示。并根據(jù)該模型生成相應的數(shù)據(jù)倉庫的維表和事實表的結(jié)構(gòu)。工作步驟:1. 按下圖樣式建立Northwind_DW的昨型數(shù)據(jù)模型,請根據(jù)原事務數(shù)據(jù)庫中相應字段的數(shù)據(jù)類型和寬度,對應地設計相應字段的數(shù)據(jù)類型和寬度。 2. 安裝并啟動CaseStudio2.15,設計以上模型。3. 運行生成腳本(Generate script生成相應的SQL代碼。Lab2.2將事務型數(shù)據(jù)加載到分析數(shù)據(jù)環(huán)境中單元目標:根據(jù)以上實驗單元建立的數(shù)據(jù)模型,在MicrosoftSQL2000中建立相應的物理數(shù)據(jù)倉庫。工作步驟:1. 請從教師課件中“數(shù)據(jù)倉庫與數(shù)據(jù)挖掘”目錄下的Lab2008中下載文檔“多維數(shù)據(jù)分析操作演練.pdf ”2. 用Adobe reader打開該文檔。3. 在數(shù)據(jù)倉庫創(chuàng)建部分,可以使用Lab2.1中的模型進行創(chuàng)建和轉(zhuǎn)化。4. 按照上面所列步驟進行操作。最終完成事實表和維表的數(shù)據(jù)轉(zhuǎn)移。Lab2.3數(shù)據(jù)倉庫中數(shù)據(jù)的備份與恢復單元目標:1.將已生成的數(shù)據(jù)倉庫的數(shù)據(jù)進行備份。2.利用備份文件向新的數(shù)據(jù)庫中還原數(shù)據(jù)倉庫的數(shù)據(jù)。工作步驟:1、備份打開Sqlserver企業(yè)管理器,在需要備份的數(shù)據(jù)庫上點鼠標右鍵,所有任務中選備份數(shù)據(jù)庫。再從Sqlserver安裝目錄中的Data目錄下,拷貝出要備份的數(shù)據(jù)庫文件*.mdf,*.ldf,并備份這兩個文件2、還原將要還原的數(shù)據(jù)庫文件*.mdf,*.ldf拷貝到Sqlserver安裝目錄下的Data目錄下。打開Sqlserver企業(yè)管理器,新建一個數(shù)據(jù)庫,在數(shù)據(jù)庫這一項上點鼠標右鍵,在所有任務中選導入數(shù)據(jù)庫,以拷貝到Data目錄下的mdf恢復數(shù)據(jù)庫。還原過程中,如果有什么異常,請參考“數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)上機”目錄下的“數(shù)據(jù)倉庫實習指導.pdf”中的還原部分的內(nèi)容。實驗3:多維數(shù)據(jù)分析l實驗任務:本實驗主要驗證OLAP多維分析的過程。主要包括完成OLAP數(shù)據(jù)庫的創(chuàng)建,多維數(shù)據(jù)集的創(chuàng)建。存儲和處理多維數(shù)據(jù),瀏覽多維數(shù)據(jù)集等實驗任務。l實驗準備:本實驗使用的操作參考為Lab2.2中下載的文檔,“多維數(shù)據(jù)分析操作演練.pdf ”。本實驗不得超過1.5學時。l實驗指導:Lab3.1多維數(shù)據(jù)分析實驗單元目標:1.掌握Microsoft analysis Service的中對OALP數(shù)據(jù)庫的操作步驟2.在使用過程中熟悉和理解相應的概念。工作步驟:1.在“多維數(shù)據(jù)分析操作演練.pdf ”中從P85開始進行相應的操作演練。2.在實驗過程中,如果對相應的操作還不是很理解,請在”數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)上機”目錄下有“Sqlserver數(shù)據(jù)分析.rar ”文檔,解壓后,有詳細的幫助和演練信息。實驗4:基于數(shù)據(jù)倉庫的數(shù)據(jù)挖掘?qū)嶒瀕實驗任務:1.基于Microsoft SQLserver2000 Analyses Service的數(shù)據(jù)挖掘模型對數(shù)據(jù)倉庫中的數(shù)據(jù)進行決策樹分析和聚類分析;2.使用DBMiner2.0對數(shù)據(jù)倉庫中的數(shù)據(jù)進行聚類、關(guān)聯(lián)分析;3.使用DBMiner2.0對數(shù)據(jù)倉庫的數(shù)據(jù)分析進行可視化。l實驗準備:本實驗的實驗指導參考資料在網(wǎng)上,請下載參考。本實驗不得超過1.5學時。l實驗指導:Lab4.1 基于Microsoft SQLserver2000 Analyses Service的數(shù)據(jù)挖掘單元目標:掌握Microsoft SQLserver2000 Analyses Service的數(shù)據(jù)挖掘模型的使用步驟工作步驟:請在”數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)上機”目錄下有“Sqlserver數(shù)據(jù)分析.rar ”文檔,解壓后,按下圖所指,完成“數(shù)據(jù)挖掘”的演練。 Lab4.2 基于DBMiner2.0的數(shù)據(jù)挖掘(選做單元目標:掌握DBminer2.0對數(shù)據(jù)倉庫中的數(shù)據(jù)進行可視化分類、聚類、關(guān)聯(lián)分析由于時間有限,指導教師將進行一些現(xiàn)場的演練指導。工作步驟:1. 在”數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)Lab2008”目錄下下載相應的操作手冊“DBMinerManual.pdf ”文檔,閱讀第一、二章。2. 對多維數(shù)據(jù)集進行可視化分析。(chapter 43. 對多維數(shù)據(jù)集進行關(guān)聯(lián)分析。(chapter 64. 對多維數(shù)據(jù)集進行分類挖掘。(chapter 75. 對多維數(shù)據(jù)集進行聚類分析。(chapter 8實驗5:數(shù)據(jù)挖掘平臺應用實驗l實驗任務:1.熟悉WEKA數(shù)據(jù)挖掘平臺的基本功能。2.能夠?qū)Υ嬗谖谋净螂娮颖砀裰械臄?shù)據(jù)進行數(shù)據(jù)挖掘分析3.本實驗為選做,對畢業(yè)論文分析數(shù)據(jù)有利用價值。l實驗準備:1.下載Java運行時環(huán)境JRE1.5。2.下載WEKA并安裝運行3. 在”數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)Lab2008”目錄下下載“WEKA中文使用手冊.pdf”,有較詳細的使用說明4.所需要的數(shù)據(jù)存放在“數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)Lab2008WEKA_DATA”下。l實驗指導:Lab5.1用WEKA進行決策樹分析單元目標:掌握WEKA進行決策樹分析的步驟。工作步驟:WEKA把分類(Classification和回歸(Regression都放在“Classify”選項卡中,這是有原因的。在這兩個任務中,都有一個目標屬性(輸出變量。我們希望根據(jù)一個樣本(WEKA中稱作實例的一組特征(輸入變量,對目標進行預測。為了實現(xiàn)這一目的,我們需要有一個訓練數(shù)據(jù)集,這個數(shù)據(jù)集中每個實例的輸入和輸出都是已知的。觀察訓練集中的實例,可以建立起預測的模型。有了這個模型,我們就可以新的輸出未知的實例進行預測了。衡量模型的好壞就在于預測的準確程度。在WEKA中,待預測的目標(輸出被稱作Class屬性,這應該是來自分類任務的“類”。一般的,若Class屬性是分類型時我們的任務才叫分類,Class屬性是數(shù)值型時我們的任務叫回歸。選擇算法我們使用C4.5決策樹算法對bank-data建立起分類模型。我們來看原來的“bank-data.csv”文件。“ID”屬性肯定是不需要的。由于C4.5算法可以處理數(shù)值型的屬性,我們不用像前面用關(guān)聯(lián)規(guī)則那樣把每個變量都離散化成分類型。盡管如此,我們還是把“Children”屬性轉(zhuǎn)換成分類型的兩個值“YES”和“NO”。另外,我們的訓練集僅取原來數(shù)據(jù)集實例的一半;而從另外一半中抽出若干條作為待預測的實例,它們的“pep”屬性都設為缺失值。經(jīng)過了這些處理的訓練集數(shù)據(jù)在這里下載;待預測集數(shù)據(jù)在這里下載。我們用“Explorer”打開訓練集“bank.arff”,觀察一下它是不是按照前面的要求處理好了。切換到“Classify”選項卡,點擊“Choose”按鈕后可以看到很多分類或者回歸的算法分門別類的列在一個樹型框里。3.5版的WEKA中,樹型框下方有一個“Filter.”按鈕,點擊可以根據(jù)數(shù)據(jù)集的特性過濾掉不合適的算法。我們數(shù)據(jù)集的輸入屬性中有“Binary”型(即只有兩個類的分類型和數(shù)值型的屬性,而Class變量是“Binary”的;于是我們勾選“Binary attributes”“Numeric attributes”和“Binary class”。點“OK”后回到樹形圖,可以發(fā)現(xiàn)一些算法名稱變紅了,說明它們不能用。選擇“trees”下的“J48”,這就是我們需要的C4.5算法,還好它沒有變紅。點擊“Choose”右邊的文本框,彈出新窗口為該算法設置各種參數(shù)。點“More”查看參數(shù)說明,點“Capabilities”是查看算法適用范圍。這里我們把參數(shù)保持默認。現(xiàn)在來看左中的“Test Option”。我們沒有專門設置檢驗數(shù)據(jù)集,為了保證生成的模型的準確性而不至于出現(xiàn)過擬合(overfitting的現(xiàn)象,我們有必要采用10折交叉驗證(10-fold cross validation來選擇和評估模型。若不明白交叉驗證的含義可以Google一下。建模結(jié)果OK,選上“Cross-validation”并在“Folds”框填上“10”。點“Start”按鈕開始讓算法生成決策樹模型。很快,用文本表示的一棵決策樹,以及對這個決策樹的誤差分析等等結(jié)果出現(xiàn)在右邊的“Classifier output”中。同時左下的“Results list”出現(xiàn)了一個項目顯示剛才的時間和算法名稱。如果換一個模型或者換個參數(shù),重新“Start”一次,則“Results list”又會多出一項。我們看到“J48”算法交叉驗證的結(jié)果之一為Correctly Classified Instances 206 68.6667 % 也就是說這個模型的準確度只有69%左右。也許我們需要對原屬性進行處理,或者修改算法的參數(shù)來提高準確度。但這里我們不管它,繼續(xù)用這個模型。右鍵點擊“Results list”剛才出現(xiàn)的那一項,彈出菜單中選擇“Visualize tree”,新窗口里可以看到圖形模式的決策樹。建議把這個新窗口最大化,然后點右鍵,選“Fit to screen”,可以把這個樹看清楚些?？赐旰蠼貓D或者關(guān)掉。這里我們解釋一下“Confusion Matrix”的含義。= Confusion Matrix =a b R，我 們常用支持度（Support）和置信度（Confidence）來衡量它的重要性。規(guī)則的支 持度是用來估計在一個購物籃中同時觀察到 L 和 R 的概率 P(L,R，而規(guī)則的置信 度是估計購物欄中出現(xiàn)了 L 時也出會現(xiàn) R 的條件概率 P(R|L。關(guān)聯(lián)規(guī)則的目標一 般是產(chǎn)生支持度和置信度都較高的規(guī)則。 有幾個類似的度量代替置信度來衡量規(guī)則的關(guān)聯(lián)程度，它們分別是 Lift（提升 度？） P(L,R/(P(LP(R Lift=1 時表示 L 和 R 獨立。這個數(shù)越大，越表明 L 和 ： R 存 在 在 一 個 購 物 籃 中 不 是 偶 然 現(xiàn) 象 。 Leverage （ 不 知 道 怎 么 翻 譯 ） ： P(L,R-P(LP(R 它和 Lift 的含義差不多。Leverage=0 時 L 和 R 獨立，Leverage 越大 L 和 R 的關(guān)系越密切。 Conviction （更不知道譯了） P(LP(!R/P(L,!R （!R ： 表示 R 沒有發(fā)生） Conviction 也是用來衡量 L 和 R 的獨立性。從它和 lift 的關(guān)系 （對 R 取反，代入 Lift 公式后求倒數(shù)）可以看出，我們也希望這個值越大越好。 值得注意的是，用 Lift 和 Leverage 作標準時，L 和 R 是對稱的，Confidence 和 Conviction 則不然。 參數(shù)設置 現(xiàn)在我們計劃挖掘出支持度在 10%到 100%之間， 并且 lift 值超過 1.5 且 lift 值排在前 100 位的那些關(guān)聯(lián)規(guī)則。 我們把“l(fā)owerBoundMinSupport”和“upperBoundMinSupport”分別設為 0.1 和 1， “metricType”設為 lift， “minMetric”設為 1.5， “numRules”設為 100。 其他選項保持默認即可。 “OK” 之后在“Explorer”中點擊“Start”開始運行算 法，在右邊窗口顯示數(shù)據(jù)集摘要和挖掘結(jié)果。 下面是挖掘出來的 lift 排前 5 的規(guī)則。 Best rules found: 1. age=52_max save_act=YES current_act=YES 113 = income=43759_max 61 conf:(0.54 lev:(0.0 45 conv:(1.85 2. income=43759_max 80 = age=52_max save_act=YES current_act=YES 61 conf:(0.76 lev:(0.0 45 conv:(3.25 3. income=43759_max current_act=YES 63 = age=52_max save_act=YES 61 conf:(0.97 lev:(0.0 45 conv:(15.72 4. age=52_max save_act=YES 151 = income=43759_max current_act=YES 61 conf:(0.4 lev:(0.0 45 conv:(1.49 5. age=52_max save_act=YES 151 = income=43759_max 76 conf:(0.5 lev:(0.09 55 conv:(1.72 對于挖掘出的每條規(guī)則，WEKA 列出了它們關(guān)聯(lián)程度的四項指標。 命令行方式 我們也可以利用命令行來完成挖掘任務，在“Simlpe CLI”模塊中輸入如下格式 的命令： java weka.associations.Apriori options -t directory-pathbank-data-final.arff 即可完成 Apriori 算法。 注意， “-t”參數(shù)后的文件路徑中不能含有空格。 在前面我們使用的 option 為 -N 100 -T 1 -C 1.5 -D 0.05 -U 1.0 -M 0.1 -S -1.0 命令行中使用這些參數(shù)得到的結(jié)果和前面利用 GUI 得到的一樣。 我們還可以加上 I” “- 參數(shù)， 得到不同項數(shù)的頻繁項集。 我用的命令如下： java weka.associations.Apriori -N 100 -T 1 -C 1.5 -D 0.05 -U 1.0 -M 0.1 -S -1.0 -I -t d:wekabank-data-final.arff 挖掘結(jié)果在上方顯示。 Lab5.3 用 WEKA 進行聚類分析 單元目標： 掌握 WEKA 進行聚類分析的步驟。 工作步驟： 聚類分析中的 “類” （cluster） 和前面分類的 “類” （class） 是不同的， cluster 對 更加準確的翻譯應該是“簇” 。聚類的任務是把所有的實例分配到若干的簇，使得 同一個簇的實例聚集在一個簇中心的周圍，它們之間距離的比較近；而不同簇實 例之間的距離比較遠。對于由數(shù)值型屬性刻畫的實例來說，這個距離通常指歐氏 距離。 現(xiàn)在我們對前面的 “bank data” 作聚類分析， 使用最常見的 K 均值 （K-means） 算法。下面我們簡單描述一下 K 均值聚類的步驟。 K 均值算法首先隨機的指定 K 個簇中心。然后：1將每個實例分配到距它最近的簇中心，得到 K 個簇；2計分 別計算各簇中所有實例的均值，把它們作為各簇新的簇中心。重復 1和 2，直到 K 個簇中心的位置都固定，簇的分配也固定。 上述 K 均值算法只能處理數(shù)值型的 屬性，遇到分類型的屬性時要把它變?yōu)槿舾蓚€取值 0 和 1 的屬性。WEKA 將自動 實施這個分類型到數(shù)值型的變換，而且 WEKA 會自動對數(shù)值型的數(shù)據(jù)作標準化。 因此，對于原始數(shù)據(jù)“bank-data.csv” ，我們所做的預處理只是刪去屬性“id” ， 保存為 ARFF 格式后，修改屬性“children”為分類型。這樣得到的數(shù)據(jù)文件為 “bank.arff” ，含 600 條實例。 用 “Explorer” 打開剛才得到的 “bank.arff” 并切換到 ， “Cluster” 點 。 “Choose” 按鈕選擇“SimpleKMeans” ，這是 WEKA 中實現(xiàn) K 均值的算法。 點擊旁邊的文本框，修改“numClusters”為 6，說明我們希望把這 600 條實 例聚成 6 類，即 K=6。下面的“seed”參數(shù)是要設置一個隨機種子，依此產(chǎn)生一 個隨機數(shù)，用來得到 K 均值算法中第一次給出的 K 個簇中心的位置。我們不妨暫 時讓它就為 10。 選中“Cluster Mode”的“Use training set” ，點擊