大數(shù)據(jù)配套之四第3章數(shù)據(jù)挖掘算法下

1、全國高校標(biāo)準(zhǔn)教材云計(jì)算姊妹篇，剖析大數(shù)據(jù)核心技術(shù)和實(shí)戰(zhàn)應(yīng)用大數(shù)據(jù)劉鵬主編張燕張重生張志立 副主編BIG DATA劉 鵬 教授，清華大學(xué)博士?，F(xiàn)任南京大數(shù)據(jù)研究院院長、中國信息協(xié)會(huì)大數(shù)據(jù)分會(huì)副會(huì)長、中國大數(shù)據(jù)技術(shù)與應(yīng)用聯(lián)盟副理事長。 主持完成科研項(xiàng)目25項(xiàng)，發(fā)表論文80余篇，出版專業(yè)書籍15本。獲部級(jí)科技進(jìn)步二等獎(jiǎng)4項(xiàng)、三等獎(jiǎng)4項(xiàng)。主編的云計(jì)算被全國高校普遍采用，被引用量排名中國計(jì)算機(jī)圖書第一名。創(chuàng)辦了知名的中國云計(jì)算（）和中國大數(shù)據(jù)（）網(wǎng)站。 曾率隊(duì)奪得2002 PennySort國際計(jì)算機(jī)排序比賽冠軍，兩次奪得全國高?？萍急荣愖罡擢?jiǎng)，并三次奪得清華大學(xué)科技比賽最高獎(jiǎng)。 榮獲“全軍十大學(xué)習(xí)成才

2、標(biāo)兵”（排名第一）、南京“十大杰出青年”、江蘇省中青年科學(xué)技術(shù)帶頭人、清華大學(xué)“學(xué)術(shù)新秀”等稱號(hào)。3.1數(shù)據(jù)挖掘概述全國高校標(biāo)準(zhǔn)教材云計(jì)算姊妹篇，剖析大數(shù)據(jù)核心技術(shù)和實(shí)戰(zhàn)應(yīng)用第三章數(shù)據(jù)挖掘算法3.2分類3.3聚類3.1數(shù)據(jù)挖掘概述3.5預(yù)測規(guī)模習(xí)題3.6數(shù)據(jù)挖掘算法綜合應(yīng)用3.4關(guān)聯(lián)規(guī)則of6533.4 關(guān)聯(lián)規(guī)則關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘中最活躍的研究方法之一，是指搜索業(yè)務(wù)系統(tǒng)中的所有細(xì)節(jié)或事務(wù)，找出所有能把一組事件或數(shù)據(jù)項(xiàng)與另一組事件或數(shù)據(jù)項(xiàng)聯(lián)系起來的規(guī)則，以獲得存在于數(shù)據(jù)庫中的不為人知的或不能確定的信息，它側(cè)重于確定數(shù)據(jù)中不同領(lǐng)域之間的聯(lián)系，也是在無指導(dǎo)學(xué)習(xí)系統(tǒng)中挖掘本地模式的最普通形式。More

3、應(yīng)用市場：市場貨籃分析、交叉銷售（Crossing Sale）、部分分類（Partial Classification）、金融服務(wù)（Financial Service），以及通信、互聯(lián)網(wǎng)、電子商務(wù) 第三章 數(shù)據(jù)挖掘算法of6543.4 關(guān)聯(lián)規(guī)則第三章 數(shù)據(jù)挖掘算法一般來說，關(guān)聯(lián)規(guī)則挖掘是指從一個(gè)大型的數(shù)據(jù)集（Dataset）發(fā)現(xiàn)有趣的關(guān)聯(lián)（Association）或相關(guān)關(guān)系（Correlation），即從數(shù)據(jù)集中識(shí)別出頻繁出現(xiàn)的屬性值集（Sets of Attribute Values），也稱為頻繁項(xiàng)集（Frequent Itemsets，頻繁集），然后利用這些頻繁項(xiàng)集創(chuàng)建描述關(guān)聯(lián)關(guān)系的規(guī)則的

4、過程。3.4.1 關(guān)聯(lián)規(guī)則的概念關(guān)聯(lián)規(guī)則挖掘問題：發(fā)現(xiàn)所有的頻繁項(xiàng)集是形成關(guān)聯(lián)規(guī)則的基礎(chǔ)。通過用戶給定的最小支持度，尋找所有支持度大于或等于Minsupport的頻繁項(xiàng)集。通過用戶給定的最小可信度，在每個(gè)最大頻繁項(xiàng)集中，尋找可信度不小于Minconfidence的關(guān)聯(lián)規(guī)則。發(fā)現(xiàn)頻繁項(xiàng)集生成關(guān)聯(lián)規(guī)則如何迅速高效地發(fā)現(xiàn)所有頻繁項(xiàng)集，是關(guān)聯(lián)規(guī)則挖掘的核心問題，也是衡量關(guān)聯(lián)規(guī)則挖掘算法效率的重要標(biāo)準(zhǔn)。of6553.4 關(guān)聯(lián)規(guī)則第三章 數(shù)據(jù)挖掘算法3.4.2 頻繁項(xiàng)集的產(chǎn)生及其經(jīng)典算法格結(jié)構(gòu)（Lattice Structure）常常被用來枚舉所有可能的項(xiàng)集。圖3-10 項(xiàng)集的格of6563.4 關(guān)聯(lián)規(guī)則

5、第三章 數(shù)據(jù)挖掘算法3.4.2 頻繁項(xiàng)集的產(chǎn)生及其經(jīng)典算法格結(jié)構(gòu)（Lattice Structure）常常被用來枚舉所有可能的項(xiàng)集。查找頻繁項(xiàng)目集經(jīng)典的查找策略基于精簡集的查找策略基于最大頻繁項(xiàng)集的查找策略按照挖掘的策略不同經(jīng)典的挖掘完全頻繁項(xiàng)集方法基于廣度優(yōu)先搜索策略的關(guān)聯(lián)規(guī)則算法基于深度優(yōu)先搜索策略的算法Apriori算法、DHP算法FP-Growth算法、ECLAT算法COFI算法與經(jīng)典查找不同方法基于精簡集的方法基于最大頻繁項(xiàng)目集的方法A-close算法MAFIA算法、GenMax算法DepthProject算法of6573.4 關(guān)聯(lián)規(guī)則第三章 數(shù)據(jù)挖掘算法3.4.2 頻繁項(xiàng)集的產(chǎn)生及

6、其經(jīng)典算法1Apriori算法Apriori算法基于頻繁項(xiàng)集性質(zhì)的先驗(yàn)知識(shí)，使用由下至上逐層搜索的迭代方法，即從頻繁1項(xiàng)集開始，采用頻繁k項(xiàng)集搜索頻繁k+1項(xiàng)集，直到不能找到包含更多項(xiàng)的頻繁項(xiàng)集為止。Apriori算法由以下步驟組成，其中的核心步驟是連接步和剪枝步：生成頻繁1項(xiàng)集L1連接步剪枝步生成頻繁k項(xiàng)集Lk重復(fù)步驟（2）（4），直到不能產(chǎn)生新的頻繁項(xiàng)集的集合為止，算法中止。性能瓶頸Apriori算法是一個(gè)多趟搜索算法可能產(chǎn)生龐大的候選項(xiàng)集of6583.4 關(guān)聯(lián)規(guī)則第三章 數(shù)據(jù)挖掘算法3.4.2 頻繁項(xiàng)集的產(chǎn)生及其經(jīng)典算法2FP-Growth算法頻繁模式樹增長算法（Frequent Pat

7、tern Tree Growth）采用分而治之的基本思想，將數(shù)據(jù)庫中的頻繁項(xiàng)集壓縮到一棵頻繁模式樹中，同時(shí)保持項(xiàng)集之間的關(guān)聯(lián)關(guān)系。然后將這棵壓縮后的頻繁模式樹分成一些條件子樹，每個(gè)條件子樹對應(yīng)一個(gè)頻繁項(xiàng)，從而獲得頻繁項(xiàng)集，最后進(jìn)行關(guān)聯(lián)規(guī)則挖掘。FP-Growth算法由以下步驟組成：掃描事務(wù)數(shù)據(jù)庫D，生成頻繁1項(xiàng)集L1將頻繁1項(xiàng)集L1按照支持度遞減順序排序，得到排序后的項(xiàng)集L1構(gòu)造FP樹通過后綴模式與條件FP樹產(chǎn)生的頻繁模式連接實(shí)現(xiàn)模式增長1234圖3-11 FP樹的構(gòu)造of6593.4 關(guān)聯(lián)規(guī)則第三章 數(shù)據(jù)挖掘算法3.4.2 頻繁項(xiàng)集的產(chǎn)生及其經(jīng)典算法3辛普森悖論雖然關(guān)聯(lián)規(guī)則挖掘可以發(fā)現(xiàn)項(xiàng)目之

8、間的有趣關(guān)系，在某些情況下，隱藏的變量可能會(huì)導(dǎo)致觀察到的一對變量之間的聯(lián)系消失或逆轉(zhuǎn)方向，這種現(xiàn)象就是所謂的辛普森悖論（Simpsons Paradox）。為了避免辛普森悖論的出現(xiàn)，就需要斟酌各個(gè)分組的權(quán)重，并以一定的系數(shù)去消除以分組數(shù)據(jù)基數(shù)差異所造成的影響。同時(shí)必須了解清楚情況，是否存在潛在因素，綜合考慮。of65103.4 關(guān)聯(lián)規(guī)則第三章 數(shù)據(jù)挖掘算法3.4.3 分類技術(shù)分類技術(shù)或分類法（Classification）是一種根據(jù)輸入樣本集建立類別模型，并按照類別模型對未知樣本類標(biāo)號(hào)進(jìn)行標(biāo)記的方法。根據(jù)所采用的分類模型不同基于決策樹模型的數(shù)據(jù)分類基于統(tǒng)計(jì)模型的數(shù)據(jù)分類基于神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)分

9、類基于案例推理的數(shù)據(jù)分類基于實(shí)例的數(shù)據(jù)分類1決策樹決策樹就是通過一系列規(guī)則對數(shù)據(jù)進(jìn)行分類的過程。決策樹分類算法通常分為兩個(gè)步驟：構(gòu)造決策樹和修剪決策樹。of65113.4 關(guān)聯(lián)規(guī)則第三章 數(shù)據(jù)挖掘算法3.4.3 分類技術(shù)構(gòu)造決策樹修剪決策樹根據(jù)實(shí)際需求及所處理數(shù)據(jù)的特性，選擇類別標(biāo)識(shí)屬性和決策樹的決策屬性集在決策屬性集中選擇最有分類標(biāo)識(shí)能力的屬性作為決策樹的當(dāng)前決策節(jié)點(diǎn)根據(jù)當(dāng)前決策節(jié)點(diǎn)屬性取值的不同，將訓(xùn)練樣本數(shù)據(jù)集劃分為若干子集 子集中的所有元組都屬于同一類。 該子集是已遍歷了所有決策屬性后得到的。 子集中的所有剩余決策屬性取值完全相同，已不能根據(jù)這些決策屬性進(jìn)一步劃分子集。針對上一步中得到

10、的每一個(gè)子集，重復(fù)進(jìn)行以上兩個(gè)步驟，直到最后的子集符合約束的3個(gè)條件之一根據(jù)符合條件不同生成葉子節(jié)點(diǎn)對決策樹進(jìn)行修剪，除去不必要的分枝，同時(shí)也能使決策樹得到簡化。常用的決策樹修剪策略基于代價(jià)復(fù)雜度的修剪悲觀修剪最小描述長度修剪按照修剪的先后順序先剪枝（Pre-pruning）后剪枝（Post-pruning）of65123.4 關(guān)聯(lián)規(guī)則第三章 數(shù)據(jù)挖掘算法3.4.3 分類技術(shù)2k-最近鄰最臨近分類基于類比學(xué)習(xí)，是一種基于實(shí)例的學(xué)習(xí)，它使用具體的訓(xùn)練實(shí)例進(jìn)行預(yù)測，而不必維護(hù)源自數(shù)據(jù)的抽象（或模型）。它采用n 維數(shù)值屬性描述訓(xùn)練樣本，每個(gè)樣本代表n 維空間的一個(gè)點(diǎn)，即所有的訓(xùn)練樣本都存放在n 維空

11、間中。若給定一個(gè)未知樣本，k-最近鄰分類法搜索模式空間，計(jì)算該測試樣本與訓(xùn)練集中其他樣本的鄰近度，找出最接近未知樣本的k 個(gè)訓(xùn)練樣本，這k 個(gè)訓(xùn)練樣本就是未知樣本的k 個(gè)“近鄰”。其中的“鄰近度”一般采用歐幾里得距離定義：兩個(gè)點(diǎn) 和 的Euclid距離是 。12(,)nXx xx12(,)nYy yy21(, )()niiid X Yxy最近鄰分類是基于要求的或懶散的學(xué)習(xí)法，即它存放所有的訓(xùn)練樣本，并且直到新的（未標(biāo)記的）樣本需要分類時(shí)才建立分類。其優(yōu)點(diǎn)是可以生成任意形狀的決策邊界，能提供更加靈活的模型表示。of65133.4 關(guān)聯(lián)規(guī)則第三章 數(shù)據(jù)挖掘算法3.4.4 案例：保險(xiǎn)客戶風(fēng)險(xiǎn)分析1挖

12、掘目標(biāo)由過去大量的經(jīng)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)機(jī)動(dòng)車輛事故率與駕駛者及所駕駛的車輛有著密切的關(guān)系，影響駕駛?cè)藛T安全駕駛的主要因素有年齡、性別、駕齡、職業(yè)、婚姻狀況、車輛車型、車輛用途、車齡等。因此，客戶風(fēng)險(xiǎn)分析的挖掘目標(biāo)就是上述各主要因素與客戶風(fēng)險(xiǎn)之間的關(guān)系，等等。2數(shù)據(jù)預(yù)處理數(shù)據(jù)準(zhǔn)備與預(yù)處理是數(shù)據(jù)挖掘中的首要步驟，高質(zhì)量的數(shù)據(jù)是獲得高質(zhì)量決策的先決條件。在實(shí)施數(shù)據(jù)挖掘之前，及時(shí)有效的數(shù)據(jù)預(yù)處理可以解決噪聲問題和處理缺失的信息，將有助于提高數(shù)據(jù)挖掘的精度和性能。去除數(shù)據(jù)集之中的噪聲數(shù)據(jù)和無關(guān)數(shù)據(jù)，處理遺漏數(shù)據(jù)和清洗“臟”數(shù)據(jù)等。數(shù)據(jù)清洗處理通常包括處理噪聲數(shù)據(jù)、填補(bǔ)遺漏數(shù)據(jù)值/除去異常值、糾正數(shù)據(jù)不一致的問題

13、，等等。在處理完噪聲數(shù)據(jù)后，就可以對數(shù)據(jù)進(jìn)行轉(zhuǎn)化，主要的方法有： 聚集 忽略無關(guān)屬性 連續(xù)型屬性離散化等。數(shù)據(jù)清洗數(shù)據(jù)轉(zhuǎn)化of65143.4 關(guān)聯(lián)規(guī)則第三章 數(shù)據(jù)挖掘算法3.4.4 案例：保險(xiǎn)客戶風(fēng)險(xiǎn)分析3關(guān)聯(lián)規(guī)則挖掘影響駕駛?cè)藛T安全駕駛的主要因素年齡性別駕齡職業(yè)婚姻狀況車輛車型車輛用途車齡其他根據(jù)前述關(guān)聯(lián)規(guī)則的生成方法，得到挖掘出來的客戶風(fēng)險(xiǎn)關(guān)聯(lián)規(guī)則序號(hào)關(guān)聯(lián)規(guī)則支持度置信度1駕齡（X，A）被保車輛的價(jià)值（X，A）年賠付金額（X，B）0.18250.29652投保人年齡（X，A）駕齡（X，A）年賠付次數(shù)（X，B）0.16790.25713駕齡（X，B）車輛用途（X，A）年賠付金額（X，B）0.

14、16630.33374駕齡（X，B）車輛用途（X，B）年賠付次數(shù)（X，A）0.17890.48515駕齡（X，B）被保車輛的價(jià)值（X，C）年賠付金額（X，C）0.18090.30036駕齡（X，C）車輛用途（X，B）年賠付次數(shù)（X，A）0.19940.58647駕齡（X，C）被保車輛的價(jià)值（X，C）車輛用途（X，C）年賠付次數(shù)（X，A）0.10310.66398駕齡（X，A）被保車輛的價(jià)值（X，A）車輛用途（X，B）年賠付金額（X，B）0.10250.36549投保人年齡（X，B）駕齡（X，A）被保車輛的價(jià)值（X，D）年賠付金額（X，D）0.09340.454610駕齡（X，B）被保車輛的價(jià)值

15、（X，A）車輛用途（X，A）年賠付金額（X，B）0.09680.448711投保人年齡（X，C）被保車輛的價(jià)值（X，C）車輛用途（X，C）年賠付金額（X，B）0.09090.353112投保人年齡（X，C）駕齡（X，B）被保車輛的價(jià)值（X，C）年賠付次數(shù)（X，A）0.08270.6094表3-7 客戶風(fēng)險(xiǎn)關(guān)聯(lián)規(guī)則詳細(xì)分析所得數(shù)據(jù)，可以為公司業(yè)務(wù)提供數(shù)據(jù)支撐，針對不同客戶提供偏好服務(wù)，既能確保公司收益，又能給予用戶更多的實(shí)惠。of65153.4關(guān)聯(lián)規(guī)則3.1數(shù)據(jù)挖掘概述全國高校標(biāo)準(zhǔn)教材云計(jì)算姊妹篇，剖析大數(shù)據(jù)核心技術(shù)和實(shí)戰(zhàn)應(yīng)用第三章數(shù)據(jù)挖掘算法3.2分類3.3聚類3.4關(guān)聯(lián)規(guī)則習(xí)題3.6數(shù)據(jù)挖掘

16、算法綜合應(yīng)用3.5預(yù)測規(guī)模of65163.5 預(yù)測模型3.5.1 預(yù)測與預(yù)測模型第三章 數(shù)據(jù)挖掘算法預(yù)測分析是一種統(tǒng)計(jì)或數(shù)據(jù)挖掘解決方案，包含可在結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)中使用以確定未來結(jié)果的算法和技術(shù)，可為預(yù)測、優(yōu)化、預(yù)報(bào)和模擬等許多其他相關(guān)用途而使用。時(shí)間序列預(yù)測是一種歷史資料延伸預(yù)測，以時(shí)間序列所能反映的社會(huì)經(jīng)濟(jì)現(xiàn)象的發(fā)展過程和規(guī)律性，進(jìn)行引申外推預(yù)測發(fā)展趨勢的方法。從時(shí)間序列數(shù)據(jù)中提取并組建特征，仍用原有的數(shù)據(jù)挖掘框架與算法進(jìn)行數(shù)據(jù)挖掘?qū)r(shí)間序列數(shù)據(jù)作為一種特殊的挖掘?qū)ο?，找尋對?yīng)的數(shù)據(jù)挖掘算法進(jìn)行專門研究依據(jù)研究的方式分類相似性問題挖掘時(shí)態(tài)模式挖掘依據(jù)研究的內(nèi)容分類依據(jù)研究的對象分類事件

17、序列的數(shù)據(jù)挖掘事務(wù)序列的數(shù)據(jù)挖掘數(shù)值序列的數(shù)據(jù)挖掘時(shí)間序列預(yù)測及數(shù)據(jù)挖掘分類of65173.5 預(yù)測模型3.5.1 預(yù)測與預(yù)測模型第三章 數(shù)據(jù)挖掘算法預(yù)測方案分類時(shí)間序列預(yù)測定性預(yù)測方法依據(jù)預(yù)測方法的性質(zhì)因果關(guān)系預(yù)測時(shí)間序列的統(tǒng)計(jì)特征1）均值函數(shù)t( )ttE Xxf x dx2）自協(xié)方差函數(shù),(,)()()t ststtssCov x xE xExxEx3）自相關(guān)函數(shù),t st st ts sof65183.5 預(yù)測模型3.5.1 預(yù)測與預(yù)測模型第三章 數(shù)據(jù)挖掘算法1）自回歸模型2）移動(dòng)平均模型3）自回歸移動(dòng)平均模型1122tttptpixxxx 1122ttttqt qx 11221122

18、tttptpittqt qxxxx of6519時(shí)間序列模型預(yù)測方案分類3.5 預(yù)測模型3.5.2 時(shí)間序列預(yù)測第三章 數(shù)據(jù)挖掘算法時(shí)間序列：對按時(shí)間順序排列而成的觀測值集合，進(jìn)行數(shù)據(jù)的預(yù)測或預(yù)估。典型的算法：序貫?zāi)Ｊ酵诰騍PMGC算法序貫?zāi)Ｊ酵诰蛩惴⊿PMGC（Sequential Pattern Mining Based on General Constrains）SPMGC算法可以有效地發(fā)現(xiàn)有價(jià)值的數(shù)據(jù)序列模式，提供給大數(shù)據(jù)專家們進(jìn)行各類時(shí)間序列的相似性與預(yù)測研究。項(xiàng)集間的時(shí)間限制Cgap序列持續(xù)時(shí)間限制Cduration數(shù)據(jù)約束Cdata項(xiàng)的約束Citem序列長度的約束CLength其

19、他約束時(shí)間序列領(lǐng)域約束規(guī)則of65203.5 預(yù)測模型3.5.2 時(shí)間序列預(yù)測第三章 數(shù)據(jù)挖掘算法SPMGC算法的基本處理流程掃描時(shí)間序列數(shù)據(jù)庫，獲取滿足約束條件且長度為1的序列模式L1，以序列模式L1作為初始種子集根據(jù)長度為i-1的種子集Li-1，通過連接與剪切運(yùn)算生成長度為i 并且滿足約束條件的候選序列模式Ci，基于此掃描序列數(shù)據(jù)庫，并計(jì)算每個(gè)候選序列模式Ci 的支持?jǐn)?shù)，從而產(chǎn)生長度為I 的序列模式Li，將Li作為新種子集在此重復(fù)上一步，直至沒有新的候選序列模式或新的序列模式產(chǎn)生SPBGC算法首先對約束條件按照優(yōu)先級(jí)進(jìn)行排序，然后依據(jù)約束條件產(chǎn)生候選序列。SPBGC算法說明了怎樣使用約束條

20、件來挖掘序貫?zāi)Ｊ?，然而，由于?yīng)用領(lǐng)域的不同，具體的約束條件也不盡相同，同時(shí)產(chǎn)生頻繁序列的過程也可采用其他序貫?zāi)Ｊ剿惴?。of65213.5 預(yù)測模型3.5.3 案例：地震預(yù)警第三章 數(shù)據(jù)挖掘算法1地震波形數(shù)據(jù)存儲(chǔ)和計(jì)算平臺(tái)南京云創(chuàng)大數(shù)據(jù)有限公司為山東省地震局研發(fā)了一套可以處理海量數(shù)據(jù)的高性能地震波形數(shù)據(jù)存儲(chǔ)和計(jì)算平臺(tái)，將從現(xiàn)有的光盤中導(dǎo)入地震波形數(shù)據(jù)并加以管理，以提供集中式的地震波形數(shù)據(jù)分析與地震預(yù)測功能，為開展各種地震波形數(shù)據(jù)應(yīng)用提供海量數(shù)據(jù)存儲(chǔ)管理和計(jì)算服務(wù)能力。圖3-12山東省地震波測數(shù)據(jù)云平臺(tái)的顯示界面of65223.5 預(yù)測模型3.5.3 案例：地震預(yù)警第三章 數(shù)據(jù)挖掘算法2地震波形數(shù)

21、據(jù)存儲(chǔ)和計(jì)算平臺(tái)的主要性能指標(biāo)數(shù)據(jù)存儲(chǔ)和處理指標(biāo)系統(tǒng)響應(yīng)時(shí)間指標(biāo)地震波形數(shù)據(jù)存儲(chǔ)性能指標(biāo)每年的原始地震波形數(shù)據(jù)及相關(guān)輔助信息約為15TB，為保證數(shù)據(jù)存儲(chǔ)的可靠性，要求采用3倍副本方式保存數(shù)據(jù)，云平臺(tái)每年需要提供約45TB的總存儲(chǔ)量，同時(shí)系統(tǒng)必須能實(shí)時(shí)接收和處理高達(dá)10MB/s的入庫數(shù)據(jù)千兆網(wǎng)絡(luò)環(huán)境下，局域網(wǎng)客戶端從分布式文件存儲(chǔ)系統(tǒng)中讀取4096B存儲(chǔ)內(nèi)容的響應(yīng)時(shí)間不高于50毫秒采用HDFS格式進(jìn)行數(shù)據(jù)讀取，讀取性能為4080MB/s節(jié)點(diǎn)，數(shù)據(jù)規(guī)模10PB，數(shù)據(jù)負(fù)載均衡時(shí)間可依據(jù)流量配置而確定，集群重新啟動(dòng)時(shí)間按10PB規(guī)模計(jì)算達(dá)到分鐘級(jí)別of65233.5 預(yù)測模型3.5.3 案例：地震預(yù)警

22、第三章 數(shù)據(jù)挖掘算法3地震波形數(shù)據(jù)存儲(chǔ)和計(jì)算平臺(tái)的功能設(shè)計(jì)數(shù)據(jù)解析數(shù)據(jù)入庫數(shù)據(jù)存儲(chǔ)管理云計(jì)算平臺(tái)的數(shù)據(jù)應(yīng)用接口數(shù)據(jù)異地修復(fù)of65243.5 預(yù)測模型3.5.3 案例：地震預(yù)警第三章 數(shù)據(jù)挖掘算法4平臺(tái)的組成、總體構(gòu)架與功能模塊圖3-13 地震波形數(shù)據(jù)云平臺(tái)總體構(gòu)架與功能模塊of65253.5 預(yù)測模型3.5.3 案例：地震預(yù)警第三章 數(shù)據(jù)挖掘算法5地震中的時(shí)間序列預(yù)測地震預(yù)測的主要手段也就是對地震序列進(jìn)行特征研究。通過對地震序列的特征研究，可以幫助判斷某大地震發(fā)生后地質(zhì)活動(dòng)的規(guī)律，掌握一定區(qū)域內(nèi)地震前后震級(jí)次序間的某種內(nèi)在關(guān)聯(lián)性，有利于判斷次地震發(fā)生后，震區(qū)地質(zhì)活動(dòng)的客觀趨勢1）地震數(shù)據(jù)收集

23、和預(yù)處理采用SPBGC算法，預(yù)處理的流程步驟具體如下：設(shè)定地震序列的空間跨度，并劃分震級(jí)標(biāo)準(zhǔn)M依據(jù)地震目錄數(shù)據(jù)庫，將震級(jí)大于或等于震級(jí)標(biāo)準(zhǔn)M的地震信息存入大地震文件獲取大地震文件中的每一條記錄E，并取得震級(jí)M與震中所在位置G掃描地震目錄數(shù)據(jù)，對每一地震記錄E，均判斷當(dāng)前地震位置與震中G的距離是否滿足設(shè)定的空間跨度。如果滿足空間跨度，則將該記錄標(biāo)注為與震中等同的序列號(hào)，同時(shí)將震中為圓心的區(qū)域范圍內(nèi)地震的次數(shù)加l；否則繼續(xù)處理下一條地震記錄大地震文件處理完畢后，該階段地震數(shù)據(jù)收集和預(yù)處理階段結(jié)束of65263.4關(guān)聯(lián)規(guī)則3.1數(shù)據(jù)挖掘概述全國高校標(biāo)準(zhǔn)教材云計(jì)算姊妹篇，剖析大數(shù)據(jù)核心技術(shù)和實(shí)戰(zhàn)應(yīng)用第

24、三章數(shù)據(jù)挖掘算法3.2分類3.3聚類3.5預(yù)測規(guī)模習(xí)題3.4關(guān)聯(lián)規(guī)則3.6數(shù)據(jù)挖掘算法綜合應(yīng)用of65273.6數(shù)據(jù)挖掘算法綜合應(yīng)用3.6.1 案例分析：精確營銷中的關(guān)聯(lián)規(guī)則應(yīng)用數(shù)據(jù)挖掘在各領(lǐng)域的應(yīng)用非常廣泛，只要該產(chǎn)業(yè)擁有具備分析價(jià)值與需求的數(shù)據(jù)倉儲(chǔ)或數(shù)據(jù)庫，都可以利用挖掘工具進(jìn)行有目的的挖掘分析。一般較常見的應(yīng)用案例多發(fā)生在零售業(yè)、制造業(yè)、財(cái)務(wù)金融保險(xiǎn)、通信業(yè)及醫(yī)療服務(wù)等。？如何通過交叉銷售，得到更大的收入？如何在銷售數(shù)據(jù)中發(fā)掘顧客的消費(fèi)習(xí)性，并由交易記錄找出顧客偏好的產(chǎn)品組合？如何找出流失顧客的特征與推出新產(chǎn)品的時(shí)機(jī)點(diǎn)？通過關(guān)聯(lián)規(guī)則挖掘來發(fā)現(xiàn)和捕捉數(shù)據(jù)間隱藏的重要關(guān)聯(lián)，從而為產(chǎn)品營銷提供

25、技術(shù)支撐。第三章 數(shù)據(jù)挖掘算法of65283.6數(shù)據(jù)挖掘算法綜合應(yīng)用3.6.2 挖掘目標(biāo)的提出第三章 數(shù)據(jù)挖掘算法電子商務(wù)網(wǎng)站中的商品推薦為例客戶忠誠度影響因素其他因素：如社會(huì)文化、國家政策等客戶自身原因企業(yè)原因數(shù)據(jù)挖掘技術(shù)可以建立客戶忠誠度分析模型，了解哪些因素對客戶的忠誠度有較大的影響，從而采取相應(yīng)措施。因此，基于數(shù)據(jù)挖掘技術(shù)的客戶忠誠度分析具有重要的應(yīng)用價(jià)值。of65293.6數(shù)據(jù)挖掘算法綜合應(yīng)用3.6.3 分析方法與過程第三章 數(shù)據(jù)挖掘算法圖3-14 電子商務(wù)網(wǎng)站操作流程of65303.6數(shù)據(jù)挖掘算法綜合應(yīng)用3.6.3 分析方法與過程第三章 數(shù)據(jù)挖掘算法在電子商務(wù)系統(tǒng)中，忠誠度分析所需

26、要的客戶信息和交易信息分別存放在網(wǎng)站數(shù)據(jù)庫的客戶表、訂單表及訂單明細(xì)表中。將客戶的忠誠度分為4個(gè)等級(jí)：0忠誠；1由忠誠變?yōu)椴恢艺\；2由不忠誠變?yōu)橹艺\；3不忠誠?？蛻艟幪?hào)性別年齡（歲）教育程度距最近一次購買時(shí)間（天）月均購買頻率已消費(fèi)金額忠誠度級(jí)別20120001男40大專53.4801.6020120002女28本科111.9246.31表3-9 經(jīng)抽取而成的客戶信息表所得到的用戶數(shù)據(jù)很難做到完整全面，用戶在注冊時(shí)可能選擇不填注冊信息的幾項(xiàng)，造成數(shù)據(jù)項(xiàng)空缺。對于空缺的數(shù)據(jù)項(xiàng)，要視情況排除或填入默認(rèn)值。按照一般的統(tǒng)計(jì)劃分經(jīng)驗(yàn)來對屬性值進(jìn)行分段，實(shí)現(xiàn)離散化。of65313.6數(shù)據(jù)挖掘算法綜合應(yīng)用3.6.3 分析方法與過程第三章 數(shù)據(jù)挖掘算法客戶編號(hào)性別年齡（歲）教育程度距最近一次購買時(shí)間（天）月均購買頻率已消費(fèi)金額（元）忠誠度級(jí)別20120001男3040大專