数据挖掘概述_第1页
数据挖掘概述_第2页
数据挖掘概述_第3页
数据挖掘概述_第4页
数据挖掘概述_第5页
已阅读5页,还剩3页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

1、数据挖掘概述阅读目录 何为数据挖掘? 数据挖掘背后的哲学思想 数据挖掘的起源 数据挖掘的基本任务 数据挖掘的基本流程 数据挖掘的工程架构 小结回到顶部何为数据挖掘?数据挖掘就是指从数据中获取知识好吧,这样的定义方式比较抽象,但这也是业界认可度最高的一种解释了。对于如何开发一个大数据环境下完 整的数据挖掘项目,业界至今仍没有统一的规范。说白了,大家都听说过大数据、数据挖掘等概念,然而真正能做而 且做好的公司并不是很多。笔者本人曾任职于 A公司云计算事业群的数据引擎团队,有幸参与过几个比较大型的数据挖掘项目,因此对于如何实施大数据场景下的数据挖掘工程有一些小小的心得。但由于本系列博文主要是结合传统

2、数据挖掘理论和笔者自身在A云的一些实践经历,因此部分观点会有较强主观性,也欢迎大家来跟我探讨。回到顶部数据挖掘背后的哲学思想在过去很多年,首要原则模型(first-principle models)是科学工程领域最为经典的模型。比如你要想知道某辆车从启动到速度稳定行驶的距离,那么你会先统计从启动到稳定耗费的时间、稳定后的速度、加速度等参数;然后运用牛顿第二定律(或者其他物理学公式)建立模型;最后根据该车多次实验的结果列出方程组从而计算出模型的各个参数。通过该过程,你就相当于学习到了一个知识-某辆车从启动到速度稳定行驶的具体模型。此后往该模型输入车的启动参数便可自动计算出该车达到稳定速度前行驶的

3、距离。然而,在数据挖掘的思想中,知识的学习是不需要通过具体问题的专业知识建模。如果之前已经记录下了 100辆型号性能相似的车 从启动到速度稳定行驶的距离,那么我就能够对这100个数据求均值,从而得到结果。显然,这一过程是是直接面向数据的,或者说我们是直接从数据开发模型 的。这其实是模拟了人的原始学习过程 -比如你要预测一个人跑 100米要多久时间,你肯定是根据之前了解的他(研究对象)这样体型的人跑100米用的多少时间做一个估计,而不会使用牛顿定律来算。回到顶部数据挖掘的起源由于数据挖掘理论涉及到的面很广,它实际上起源于多个学科。如建模部分主要起源于统计学和机器学习。统计学方法以模型为驱动,常常

4、建立一个能够产生数据的模型;而机器学习则以 算法为驱动,让计算机通过执行算法来发现知识。仔细想想,"学习"本身就有算法的意思在里面嘛。然而数据挖掘除了建模外,还有不少其他要做的工作(本文后面会一一讲到),因此涉及到不少其他知识,如下图所示:数据挖掘的基本任务数据挖掘的两大基本目标是预测和描述数据。其中前者的计算机建模及实现过程通常被称为监督学习(supervised learning),后者的则通常被称为 无监督学习(supervised learning)。往更细分,数据挖掘的目标可以划分为以下这些:数据挖掘预测主要包括分类 -将样本划分到几个预定义类之一,回归 -将样本

5、映射到一个真实值预测变量上;描述主 要包括聚类-将样本划分为不同类(无预定义类),关联规则发现-发现数据集中不同特征的相关性。本系列其他文 章将会分别对这些工作深入进行讲解,如果读者是第一次接触这些概念请不要纠结。回到顶部数据挖掘的基本流程从形式上来说,数据挖掘的开发流程是迭代式的。开发人员通过如下几个阶段对数据进行迭代式处理:r一,(解读需求AL/ 1搜集数据V数据预处理<_、F评估模型k-JV解释模型M其中,1 .解读需求绝大多数的数据挖掘工程都是针对具体领域的,因此数据挖掘工作人员不应该沉浸在自己的世界里YY算法模型,而应该多和具体领域的专家交流合作以正确的解读出项目需求。这种合作

6、应当贯穿整个项目生命周期。2 .搜集数据在大型公司,数据搜集大都是从其他业务系统数据库提取。很多时候我们是对数据进行抽样,在这种情况下必须理解数据的抽样过程是如何影响取样分布,以确保评估模型环节中用于训练(train)和检验(test)模型的数据来自同一个分布。3 .预处理数据预处理数据可主要分为数据准备和数据归约两部分。其中前者包含了缺失值处理、异常值处理、归一化、平整 化、时间序列加权等;而后者主要包含维度归约、值归约、以及案例归约。后面两篇博文将分别讲解数据准备和数据 归约。4 .评估模型确切来说,这一步就是在不同的模型之间做出选择,找到最优模型。很多人认为这一步是数据挖掘的全部,但 显

7、然这是以偏概全的,甚至绝大多数情况下这一步耗费的时间和精力在整个流程里是最少的。5 .解释模型数据挖掘模型在大多数情况下是用来辅助决策的,人们显然不会根据"黑箱模型”来制定决策。如何针对具体环境对模型做出合理解释也是一项非常重要的任务。回到顶部数据挖掘的工程架构回到本文开头提到的那个问题,“如何开发一个大数据环境下完整的数据挖掘项目? ”。这个问题每个公司有 自己的答案,这里仅以 A公司的情况进行介绍。在A公司的数据引擎团队中, 主要人员分成 A、B、C、D四个大组。这四个大组的分工非常明确,如下图所示:数据仓库建设 数据分析弓I整文本挖倔引擎推荐系统引辇数据挖堀引擎其他算法引辇可视化引擎前端开发图中的这些个数据引擎架构在一个基于维度建模的云数据仓库之上,并对上层应用提供算法支撑、推荐支撑、可视化支撑等等。这里也能看出A公司的数据挖掘工程架构主要由三大块组成:底层数据仓库、中间数据引擎、高 层可视化/前端

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论