本站小編為你精心準備了數據挖掘技術含義參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1、數據挖掘概念

數據挖掘（DataMining，DM），是隨著數據庫和人工智能發展起來的新興的信息處理技術。數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程，其主要特點是對數據庫中的大量數據進行抽取、轉換、分析和其他模型化處理，并從中提取輔助決策的關鍵性數據。它可幫助決策者分析歷史數據及當前數據，并從中發現隱藏的關系和模式，進而預測未來可能發生的行為。數據挖掘是一門涉及面很廣的交叉性新興學科，涉及到數據庫、人工智能、數理統計、可視化、并行計算等領域。

2、數據挖掘技術

2.1關聯規則方法

關聯規則是一種簡單，實用的分析規則，描述了一個事物中某些屬性同時出現的規律和模式，是數據挖掘中最成熟的主要技術之一。大多數關聯規則挖掘算法能夠無遺漏發現隱藏在所挖掘數據中的所有關聯關系，所挖掘出的關聯規則量往往非常巨大，但是。并不是所有通過關聯得到的屬性之間的關系都有實際應用價值，對這些關聯規則進行有效的評價。篩選出用戶真正感興趣的。有意義的關聯規則尤為重要。

2.2分類和聚類方法

分類就是假定數據庫中的每個對象屬于一個預先給定的類。從而將數據庫中的數據分配到給定的類中。而聚類分析是根據所選樣本間關聯的標準將其劃分成幾個組，同組內的樣本具有較高的相似度，不同組的則相異。分類和聚類的區別在于分類事先知道類別數和各類的典型特征，而聚類則事先不知道。聚類方法適合于探討樣本間的內部關系，從而對樣本結構做出合理的評價。

2.3數據統計方法

使用這些方法一般首先建立一個數據模型或統計模型，然后根據這種模型提取有關的知識。傳統的統計學為數據挖掘提供了許多判別和回歸分析方法。貝葉斯推理、回歸分析、方差分析等技術是許多挖掘應用中有力的工具之一。

2.4神經網絡方法

神經元網絡，具有非線形映射特性、信息的分布存儲、并行處理和全局集體的作用、高度的自學習、自組織和自適應能力的種種優點。這些優點使得神經元網絡非常適合解決數據挖掘的問題。因此近年來越來越受到人們的關注。典型的神經網絡模型主要分3大類；用于分類、預測和模式識別的前饋式神經網絡模型；用于聯想記憶和優化計算的反饋式神經網絡模型；用于聚類的自組織映射方法。

2.5決策樹方法

決策樹學習是一種通過逼近離散值日標函數的方法，把實例從根結點排列到某個葉子結點來分類實例。葉子結點即為實例所屬的分類，利用信息論中的互信息（信息增益）尋找數據庫中具有最大信息量的字段。建立決策樹的一個結點，再根據字段的不同取值建立樹的分支；在每個分枝子集中，重復建立樹的下層結點和分支的過程，即可建立決策樹。

2.6粗糙集

粗糙集（RoughSet）能夠在缺少關于數據先驗知識的情況下，只以考察數據的分類能力為基礎，解決模糊或不確定數據的分析和處理問題。粗糙集用于從數據庫中發現分類規則的基本思想是將數據庫中的屬性分為條件屬性和結論屬性，對數據庫中的元組根據備個屬性不同的屬性值分成相應的子集，然后對條件屬性劃分的子集與結論屬性劃分的子集之間上下近似關系生成判定規則。粗糙集理論可以應用于數據挖掘中的分類、發現不準確數據或噪聲數據內在的結構聯系。