數(shù)據(jù)挖掘理論與技術(shù)研究

1、數(shù)據(jù)挖掘理論與技術(shù)研究論文導讀：數(shù)據(jù)挖掘正是這樣一種技術(shù), 它可以從大量的數(shù)據(jù)中抽取潛在的有用信息和模式, 來幫助我們進行科學的決策。數(shù)據(jù)倉庫(Data Warehouse ,簡稱DW) 是一項基于數(shù)據(jù)管理和運用的綜合性技術(shù)和解決方案。DM 是決策支持的一個過程,是決策支持的重要組成局部,是數(shù)據(jù)分析的發(fā)現(xiàn)模式,它主要基于人工智能,機器學習,統(tǒng)計學等技術(shù),高度自動化地分析企業(yè)原有數(shù)據(jù),從而開掘出意料之外的或未知的關(guān)系、模式和聯(lián)系,預測客戶的行為,幫助企業(yè)決策者作出正確的決策。關(guān)鍵詞：數(shù)據(jù)挖掘,數(shù)據(jù)倉庫,決策支持0.引言隨著數(shù)據(jù)庫技術(shù)的廣泛應(yīng)用, 人們越來越感到數(shù)據(jù)豐富;而知識貧乏。面對龐大的數(shù)據(jù)

2、資源, 人們迫切需要能夠自動處理數(shù)據(jù)資源并能將其轉(zhuǎn)化為知識的自開工具。數(shù)據(jù)挖掘正是這樣一種技術(shù), 它可以從大量的數(shù)據(jù)中抽取潛在的有用信息和模式, 來幫助我們進行科學的決策。1.數(shù)據(jù)挖掘的定義數(shù)據(jù)挖掘,也可以稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)(Knowledge Discover Database ,KDD) ,是從大量數(shù)據(jù)中提取出可信、新穎、有效并能被人理解的模式的高級處理過程。數(shù)據(jù)挖掘(Data Mining ,簡稱DM) 比擬公認的定義是W. J . Frawley、G. Piatetsky、Shapiro 等人提出的:就是從大型數(shù)據(jù)庫的數(shù)據(jù)中提取人們感興趣的知識。是利用一些方法和模型,通過對數(shù)據(jù)進行

3、分析,探索出這些數(shù)據(jù)中不明顯、事先不知道和有使用潛力的信息。對于一個企業(yè)領(lǐng)導來說,如果不僅僅滿足于統(tǒng)計報表,那么DM 就是必要的。近十幾年來,人們利用信息技術(shù)生產(chǎn)和搜集數(shù)據(jù)的能力大幅度提高,無數(shù)個數(shù)據(jù)庫被用于商業(yè)管理、政府辦公、科學研究和工程開發(fā)等,DM 能提供非常重要的,對決策者可能是完全嶄新的決策信息。數(shù)據(jù)挖掘能提供的數(shù)據(jù)的模式有以下幾類:(1) 概念描述概念是對一個包含大量數(shù)據(jù)的數(shù)據(jù)集合總體情況的概括性描述。用戶通過對數(shù)據(jù)庫中細節(jié)數(shù)據(jù)的數(shù)據(jù)泛化;來用高層次的抽象名稱來描述數(shù)據(jù)庫所反映的定性概念。還可以通過對不同的數(shù)據(jù)庫進行比照泛化, 從而得出不同數(shù)據(jù)庫間相對的概念。(2) 關(guān)聯(lián)規(guī)那么關(guān)聯(lián)

4、規(guī)那么的挖掘就是從大量的數(shù)據(jù)中發(fā)現(xiàn)有價值的各項條目間存在的內(nèi)在聯(lián)系。從而利用這些關(guān)聯(lián)規(guī)那么進行決策。如從商業(yè)貿(mào)易記錄中找出不同商品銷售情況的關(guān)聯(lián), 發(fā)現(xiàn)消費者的消費愛好, 改變銷售模式以迎合消費者, 提高銷售額。(3) 分類與預測分類指找出能夠反映某一數(shù)據(jù)集合的特征的模型或函數(shù), 以便將未知的事例反映到某種離散的類別。但對于連續(xù)的數(shù)值預測那么成為預測;。(4) 聚類分析聚類是一種特殊的分類, 與分類分析方法不同, 聚類分析是在預先不知道預劃定類的情況下, 根據(jù)信息相似度原那么進行信息集聚的一種方法。(5) 異類分析對于數(shù)據(jù)庫中那些不屬于分類預測或聚類分析所獲得的模型的數(shù)據(jù)對象就稱為異類。例如:

5、 可以根據(jù)信用卡的使用地點、購置商品的類型來發(fā)現(xiàn)屬于信用卡詐騙的購置行為( 異類數(shù)據(jù)) 。(6) 演化分析數(shù)據(jù)對象的模型會隨著時間的變化而改變,而對這一變化趨勢的描述就稱為數(shù)據(jù)演化分析。例如: 利用演化分析方法可對股票的交易數(shù)據(jù)進行時序分析, 獲得股票市場的股票演化規(guī)律。2.數(shù)據(jù)挖掘的理論框架2.1基于數(shù)據(jù)倉庫的數(shù)據(jù)挖掘技術(shù)數(shù)據(jù)倉庫(Data Warehouse ,簡稱DW) 是一項基于數(shù)據(jù)管理和運用的綜合性技術(shù)和解決方案。DW作為一種新型的數(shù)據(jù)存儲地,為DM 提供了新的支持平臺。DM 是決策支持的一個過程,是決策支持的重要組成局部,是數(shù)據(jù)分析的發(fā)現(xiàn)模式,它主要基于人工智能,機器學習,統(tǒng)計學等

6、技術(shù),高度自動化地分析企業(yè)原有數(shù)據(jù),從而開掘出意料之外的或未知的關(guān)系、模式和聯(lián)系,預測客戶的行為,幫助企業(yè)決策者作出正確的決策。如圖1 描述了數(shù)據(jù)倉庫環(huán)境中的DM的體系結(jié)構(gòu)。DM要發(fā)揮作用,首先必須在企業(yè)中實現(xiàn)DW,同時還必須具備實施DM的技術(shù)和工具,只有這樣才能具體實施DM。圖1 數(shù)據(jù)倉庫環(huán)境中的DM的體系結(jié)構(gòu)DM的特點是處理的數(shù)據(jù)規(guī)模十分龐大; 查詢是決策者提出的隨機查詢,需要靠DM技術(shù)尋找可能感興趣的數(shù)據(jù); 在一些應(yīng)用中,由于數(shù)據(jù)不斷變化,因此要求DM 能快速做出反響,以提高決策支持。DM即要發(fā)現(xiàn)潛在規(guī)那么,還要管理和維護規(guī)那么。DM 中規(guī)那么的發(fā)現(xiàn)主要基于大樣本的統(tǒng)計規(guī)律,發(fā)現(xiàn)的規(guī)律不

7、必適用于所有數(shù)據(jù),當?shù)竭_某一閾值時便可以認為有此規(guī)律。DM 技術(shù)從一開始就是面向應(yīng)用的。它不僅是面向特定數(shù)據(jù)庫的簡單檢索查詢調(diào)用,而且要對這些數(shù)據(jù)進行微觀、中觀乃至宏觀的統(tǒng)計、分析、綜合和推理,以指導實際問題的求解,企圖發(fā)現(xiàn)事件間的相互關(guān)聯(lián),甚至利用已有的數(shù)據(jù)對未來的活動進行預測。例如加拿大BC 省 公司要求加拿大Simon Fraser 大學KDD 研究組,根據(jù)其擁有十多年的客戶數(shù)據(jù),總結(jié)、分析并提出新的 收費和管理方法,制定既有利于公司又有利于客戶的優(yōu)惠政策。這樣就把人們對數(shù)據(jù)的應(yīng)用,從低層次的末端查詢操作,提高到為各級經(jīng)營決策者提供決策支持。2.2數(shù)據(jù)挖掘的方法(1) 關(guān)聯(lián)規(guī)那么關(guān)聯(lián)規(guī)那

8、么是夠揭示大型數(shù)據(jù)集合中有趣的趨勢、模式和規(guī)那么,形式為A1 A2 ?Am B1 B2 ?Bn;其中Ai ( i = 1 ,2 , ?, m) ,Bj ( j = 1 ,2 ,?, n) 是數(shù)據(jù)庫中的數(shù)據(jù)項之間的關(guān)聯(lián)即根據(jù)一個事務(wù)中某些項的出現(xiàn),可以推導出另一些項在同一事務(wù)中也出現(xiàn)。是搜索業(yè)務(wù)系統(tǒng)中的所有細節(jié)和事務(wù),從中尋找出重復概率很高的模式。關(guān)聯(lián)分析是在給定一組工程類別;和一些記錄集合的條件下,通過分析記錄集合,計算最小值信度,從而推導出各工程之間的相關(guān)性。事務(wù)數(shù)據(jù)庫中的關(guān)聯(lián)挖掘是大型數(shù)據(jù)庫中關(guān)聯(lián)規(guī)那么挖掘的典型情況。在這種情況下,對每個組成項都有具體明確的數(shù)值,一個客戶的事務(wù)(交易) 將

9、包括這些項的子集。(2) 神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)是通過模擬人腦反復學習技術(shù)來工作的。對給出的樣本數(shù)據(jù),神經(jīng)網(wǎng)絡(luò)通過類似人類記憶過程的方式學習數(shù)據(jù)中的統(tǒng)計規(guī)律,歸納出能描述樣本特征的數(shù)據(jù)模型,然后用已學會的數(shù)據(jù)模型分類新給出的數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)已經(jīng)很好地運用于區(qū)分貸款詐騙,圖象識別,判斷健康狀況,分析、理解股票和債券的異常波動等領(lǐng)域。一個神經(jīng)網(wǎng)絡(luò)是大型并行分布的處理器,它由很多簡單的處理單元組成。神經(jīng)網(wǎng)絡(luò)具有容錯能力,并且擅長模式識別和趨勢預測。在有限知識的情況下,人工神經(jīng)網(wǎng)絡(luò)算法經(jīng)常被用于數(shù)據(jù)模型的構(gòu)造。神經(jīng)網(wǎng)絡(luò)可以成功地應(yīng)用于圖像挖掘的分類中。例如對醫(yī)學X光片、傳感圖像等進行分類。(3) 決策樹是通過

10、一系列規(guī)那么對數(shù)據(jù)進行分類的過程。它以信息論中的信息增益原理為根底尋找數(shù)據(jù)庫中具有最大信息量的字段,建立決策樹的一個結(jié)點,再根據(jù)字段的不同取值建立樹的分枝;在每個分枝中集中重復建樹的下層結(jié)點和分枝的過程,即可建立決策樹。它用樹形結(jié)構(gòu)來表示決策集合,主要特點是使用了決策樹圖,因而整個決策分析過程具有直觀、簡潔、清晰等優(yōu)點。典型的決策樹方法有分類回歸樹。(4) 遺傳算法遺傳算法是一種新的優(yōu)化技術(shù),基于生物進化的概念設(shè)計了一系列的過程來到達優(yōu)化的目的。它模擬生物進化過程,由選擇、交叉、突變?nèi)齻€根本算子組成。遺傳算法已在優(yōu)化計算、分類等方面發(fā)揮了顯著作用。(5) 可視化技術(shù)采用直觀的圖形方式將信息模式

11、、數(shù)據(jù)的關(guān)聯(lián)或趨勢呈現(xiàn)給決策者,決策者可以通過可視化技術(shù)交互地分析數(shù)據(jù)關(guān)系?？梢暬瘮?shù)據(jù)分析技術(shù)拓寬了傳統(tǒng)的圖表功能,使用戶對數(shù)據(jù)的剖析更清晰。另外,還有規(guī)那么歸納,公式發(fā)現(xiàn),模糊集合,統(tǒng)計學等方法。2.3數(shù)據(jù)挖掘的過程首先選擇和準備待挖掘的數(shù)據(jù),對待挖掘數(shù)據(jù)進行預處理。這個階段可分3 步:數(shù)據(jù)集成、數(shù)據(jù)選擇、數(shù)據(jù)預處理。數(shù)據(jù)集成將多文件或多數(shù)據(jù)庫運行環(huán)境中的數(shù)據(jù)進行合并處理,解決語義模糊性、處理數(shù)據(jù)中的遺漏和清洗臟數(shù)據(jù)等。數(shù)據(jù)選擇的目的是區(qū)分出需要分析的數(shù)據(jù)集合,縮小處理范圍,提高DM的質(zhì)量。預處理是為了克服目前DM 工具的局限性,主要是通過凈化、減縮、轉(zhuǎn)換、群聚、分類等手段降低數(shù)據(jù)的復雜性,

12、并且重新加以組織。其次研究開發(fā)一種或多種DM 工具,如IBM 的IDM 和SGI的Mine Set 等。第三用DM工具來發(fā)現(xiàn)未知的知識,運用所發(fā)現(xiàn)的知識于決策支持,到達事業(yè)和企業(yè)單位的特定目標。這個階段進行實際的DM,要先決定如何產(chǎn)生假設(shè),是發(fā)現(xiàn)型(discovery- driven) 的DM,還是驗證型(verification- driven) DM;弄清用戶要求,從數(shù)據(jù)庫中提取相關(guān)的數(shù)據(jù),把最有價值的信息區(qū)分出來,并且通過決策支持工具提交決策者。還要對信息進行過濾處理,主要對前一階段產(chǎn)生的數(shù)據(jù)進行再加工,檢查數(shù)據(jù)的完整性及數(shù)據(jù)的一致性,對其中的噪音數(shù)據(jù)進行處理,對喪失的數(shù)據(jù)進行填補。如果

13、斷策者不滿意,需要重復以上DM 過程。DM的根本過程如圖2。圖2 DM的根本過程3.數(shù)據(jù)挖掘技術(shù)的研究數(shù)據(jù)挖掘的核心技術(shù)是進行數(shù)據(jù)挖掘所采用的算法。數(shù)據(jù)挖掘的任務(wù)是從數(shù)據(jù)對象中獲得數(shù)據(jù)的模式/模型, 找出容易理解的規(guī)那么和關(guān)系。這些規(guī)那么用于預測未來趨勢、評價用戶、評估風險或?qū)o定的數(shù)據(jù)進行概念性的描述。數(shù)據(jù)挖掘不是一個完全自動化的過程, 需要做準備工作, 其后要考慮數(shù)據(jù)有關(guān)的因素和預期目的, 然后用最正確的數(shù)據(jù)挖掘方法進行運算。這些算法包括: 人工神經(jīng)網(wǎng)絡(luò)、決策樹、遺傳算法、近鄰算法等。對數(shù)據(jù)挖掘的理論研究主要在以下六個方面:OLAP 技術(shù)、面向?qū)傩缘臍w納法、關(guān)聯(lián)規(guī)那么、分類和預測、聚類和與

14、數(shù)據(jù)倉庫的集成技術(shù)。3.1 OLAP 技術(shù)聯(lián)機分析處理(On2LineAnalytical Processing ,OLAP) 是關(guān)系數(shù)據(jù)庫之父E. F. Codd 博士在1993 年提出的。OLAP 可以在使用多維數(shù)據(jù)模型的數(shù)據(jù)倉庫或數(shù)據(jù)集市上進行,使用數(shù)據(jù)立方體結(jié)構(gòu),OLAP 操作可以有效地實現(xiàn)。OLAP 技術(shù)主要是應(yīng)用隱含在數(shù)據(jù)里的領(lǐng)域背景知識對數(shù)據(jù)進行操作,為用戶在不同的抽象層上提供數(shù)據(jù)。OLAP 技術(shù)一般都是集成在數(shù)據(jù)倉庫中實現(xiàn)的。3.2面向?qū)傩缘臍w納方法1991年,Jiawei Han等提出了面向?qū)傩缘臍w納方法(Attribute2Oriented ,AO),這是一種有效的、完整的

15、知識發(fā)現(xiàn)算法,算法的一個關(guān)鍵就是攀升屬性所對應(yīng)的概念層次樹,把原始數(shù)據(jù)集的數(shù)據(jù)泛化到用戶感興趣的概念層上,減少數(shù)據(jù)集的大小,從而降低知識發(fā)現(xiàn)過程的計算復雜度。3.3關(guān)聯(lián)規(guī)那么關(guān)聯(lián)規(guī)那么的挖掘最早是由R. Agrawal 等人于1993年提出。在關(guān)聯(lián)規(guī)那么算法的研究中,生成所有的頻繁工程集是核心問題。關(guān)聯(lián)規(guī)那么最早是由購物籃分析開始的,但是隨著研究的擴展和深入,關(guān)聯(lián)規(guī)那么的應(yīng)用范圍不斷擴大,因此出現(xiàn)了多種形式關(guān)聯(lián)規(guī)那么的研究。由最簡單的單維、單層、布爾關(guān)聯(lián)規(guī)那么逐漸向復雜形式擴展。在根本失聯(lián)規(guī)那么的根底上提出了布爾型加權(quán)關(guān)聯(lián)規(guī)那么和廣義模糊型加權(quán)關(guān)聯(lián)規(guī)那么算法,由單層的關(guān)聯(lián)規(guī)那么擴展為多層次關(guān)聯(lián)

16、規(guī)那么的研究,提出了基于多維標度關(guān)聯(lián)規(guī)那么算法,其他類型的關(guān)聯(lián)規(guī)那么如借助正態(tài)模糊數(shù)模型,軟化數(shù)量屬性的劃分邊界,生成語言值關(guān)聯(lián)規(guī)那么,引入正態(tài)云模型來替代對屬性論域的劃分,提出了挖掘正態(tài)云關(guān)聯(lián)規(guī)那么的方法,基于關(guān)聯(lián)規(guī)那么的缺乏,還提出了轉(zhuǎn)移規(guī)那么及其算法。另外對于關(guān)聯(lián)規(guī)那么挖掘指導思想也出現(xiàn)了變化,提出了概念指導的關(guān)聯(lián)規(guī)那么的挖掘算法和基于概念格的關(guān)聯(lián)規(guī)那么的提取算法。3.4分類和預測分類和預測是兩種數(shù)據(jù)分析形式,可以用于提取描述重要數(shù)據(jù)類的模型或預測未來的數(shù)據(jù)趨勢。主要的分類方法有:決策樹歸納分類法、貝葉斯分類法、后向傳播分類法等。國內(nèi)的分類方法研究主要集中在以下內(nèi)容:1)研究貝葉斯網(wǎng)絡(luò)在

17、分類方法中的應(yīng)用。2) 結(jié)合其他理論進行算法研究3.5聚類聚類是一個活潑的研究領(lǐng)域,聚類就是將數(shù)據(jù)對象分組成為多個類或簇,在同一個簇中的對象之間具有較高的相似度,而不同簇中的對象那么差異較大,聚類算法具體可以分為:劃分方法、層次方法、基于密度的方法、基于網(wǎng)格的方法以及基于模型的方法等。聚類分析可以用作獨立的數(shù)據(jù)挖掘工具,來獲得對數(shù)據(jù)分布的了解,也可以作為其它數(shù)據(jù)挖掘算法的預處理步驟。3.6與數(shù)據(jù)倉庫的集成技術(shù)研究目前比擬通用的對數(shù)據(jù)倉庫的定義是W. H.Inmon 在1996 年提出的,他認為數(shù)據(jù)倉庫是一個面向主題的、集成的、時變的、非易失的數(shù)據(jù)集合,支持管理部門的決策過程。數(shù)據(jù)倉庫為數(shù)據(jù)挖掘

18、提供了更廣闊的活動空間。數(shù)據(jù)倉庫完成了數(shù)據(jù)的收集、集成、存儲、管理等工作,數(shù)據(jù)挖掘面對的是經(jīng)初步加工的數(shù)據(jù),使得數(shù)據(jù)挖掘能更專注于知識的發(fā)現(xiàn)。數(shù)據(jù)倉庫具有不同于數(shù)據(jù)庫的新特點,并對數(shù)據(jù)挖掘技術(shù)提出了更高的要求,數(shù)據(jù)挖掘技術(shù)要充分發(fā)揮潛力,就必須和數(shù)據(jù)倉庫的開展結(jié)合起來。4.數(shù)據(jù)挖掘開展方向1) 加強對復雜數(shù)據(jù)的挖掘技術(shù)的研究,目前數(shù)據(jù)挖掘的所處理的數(shù)據(jù)類型已經(jīng)由簡單的結(jié)構(gòu)化數(shù)據(jù)開展到復雜的半結(jié)構(gòu)化數(shù)據(jù)及非結(jié)構(gòu)化數(shù)據(jù),并且由單維、低維上升為多維、高維。數(shù)據(jù)挖掘技術(shù)開展的整體趨勢由處理簡單的挖掘問題逐步到解決復雜的挖掘問題。2) 加強對數(shù)據(jù)挖掘應(yīng)用系統(tǒng)和對算法測試的研究。目前國內(nèi)關(guān)于數(shù)據(jù)挖掘理論研

19、究較多,但對數(shù)據(jù)挖掘應(yīng)用系統(tǒng)和算法測試的研究方面較少,在算法的性能改良方面,可以采用國際上相關(guān)研究所采用的相同數(shù)據(jù)集對現(xiàn)有的算法和新改良的算法進行比照測試,以檢驗新算法的合理性和有效性。除了選擇人工測試數(shù)據(jù)集外最好能夠采用真實測試數(shù)據(jù)集。3) 加強對挖掘結(jié)果的有效性研究。由于計算機軟硬件技術(shù)的快速開展,今后的算法研究將更多的集中在挖掘結(jié)果的有效性上,現(xiàn)在的一些算法所花費的時間已以秒計算了,但是其挖掘結(jié)果的數(shù)量卻遠遠超出了可以理解的范圍。對于挖掘結(jié)果的有效性需要有科學的方法加以評估。此外提高算法的可伸縮性、對算法的動態(tài)維護和基于約束的挖掘算法等也都是主要的研究方向。4) 多種數(shù)據(jù)挖掘方法的結(jié)合使

20、用。數(shù)據(jù)挖掘的方法各有其優(yōu)缺點,很多模式,特別是與分類有關(guān)的模式,可以用不同的算法來實現(xiàn),以適應(yīng)不同的需求環(huán)境。因此集成的數(shù)據(jù)挖掘系統(tǒng)應(yīng)該能夠提供多種途徑來解決復雜問題。5) 重視數(shù)據(jù)挖掘技術(shù)的實際應(yīng)用。論文參考網(wǎng)。論文參考網(wǎng)。目前國內(nèi)有關(guān)應(yīng)用的成功案例較少。有關(guān)方面可以借鑒其他先進國家的經(jīng)驗,引入成功系統(tǒng)進行外鄉(xiāng)化研究等。實際數(shù)據(jù)挖掘應(yīng)用的開發(fā)有助于對數(shù)據(jù)挖掘的理解,從而更好地改良數(shù)據(jù)挖掘的技術(shù)。6) 隨著數(shù)據(jù)倉庫技術(shù)的進一步開展,并行分布式數(shù)據(jù)挖掘算法的研究需要加強。7) 加強人機交互能力的完善解釋機制。論文參考網(wǎng)。需要把用戶所要解決的問題方便地轉(zhuǎn)化為數(shù)據(jù)挖掘技術(shù)人員能夠理解并解決的問題,

21、并將挖掘結(jié)果以用戶能理解的方式表達出來。對算法的研究也將趨向于簡單化和易于理解。8) 多語言挖掘,對于處理多種語言的工具研究。9) 保護隱私權(quán)的研究。數(shù)據(jù)挖掘能從不同的角度及層次上看待數(shù)據(jù),這將有可能影響數(shù)據(jù)的私有性和平安性,如何在保護隱私權(quán)的情況下又能夠進行充分的數(shù)據(jù)挖掘是一個重要的研究方向。另外需要指出的是,中國在技術(shù)研究中對技術(shù)本身研究較多,而對技術(shù)經(jīng)濟問題研究較少。數(shù)據(jù)挖掘技術(shù)歸根結(jié)底是一種手段或工具,對于數(shù)據(jù)挖掘技術(shù)的研究是為了更好的促進社會經(jīng)濟的開展。如何對數(shù)據(jù)挖掘技術(shù)系統(tǒng)進行有效的管理和利用是一個值得關(guān)注的重要問題。5.結(jié)束語數(shù)據(jù)挖掘技術(shù)是一個年輕而充滿希望的研究領(lǐng)域,商業(yè)利益的強大驅(qū)動力將會不停地促進它的開展,每年都有新的數(shù)據(jù)挖掘方法和模型問世,人們對它的研究正日益廣泛和深入。數(shù)據(jù)挖掘技術(shù)從一開始就是面向應(yīng)用的。它不僅是面向特定數(shù)據(jù)庫的簡單檢索查詢調(diào)用, 而且要對這些數(shù)據(jù)進行微觀及宏觀的統(tǒng)計、分析、綜合和推理, 以指導實際問題的求解, 試圖發(fā)現(xiàn)事件間的相互關(guān)聯(lián), 甚至利用已有的數(shù)據(jù)對未來的活動進行預測。數(shù)據(jù)挖掘技術(shù)的研究取得了一定的成果,但是數(shù)據(jù)挖掘技術(shù)研究仍然面臨著許多問題和挑戰(zhàn),還存在許多問題等待我們?nèi)ヌ剿骱脱芯?。參考文獻【1】 Ji