? ?數(shù)據(jù)挖掘研究的機(jī)遇及挑戰(zhàn) 洪勝宏

? ?【摘要】：隨著計(jì)算機(jī)的大量應(yīng)用和數(shù)據(jù)量的急速增長(zhǎng)，數(shù)據(jù)挖掘發(fā)揮著越來(lái)越重要的作用．數(shù)據(jù)挖掘經(jīng)過(guò)近二十年的 發(fā)展．取得了很大的突破，包括了數(shù)據(jù)庫(kù)技術(shù)、人工智能技術(shù)、數(shù)理統(tǒng)計(jì)、可視化技術(shù)等技術(shù)熱點(diǎn)．其應(yīng)用也越來(lái)越廣泛，同時(shí)。 也面臨著技術(shù)上的一些難題，如流數(shù)據(jù)挖掘、分布式數(shù)據(jù)挖掘、基因數(shù)據(jù)挖掘等等．

? ?【關(guān)鍵詞】：數(shù)據(jù)挖掘應(yīng)用與機(jī)遇挑戰(zhàn) 隨著數(shù)據(jù)庫(kù)技術(shù)的迅速發(fā)展以及數(shù)據(jù)庫(kù)管理系統(tǒng)的廣泛應(yīng) 用，人們積累的數(shù)據(jù)越來(lái)越多．數(shù)據(jù)呈爆炸性增長(zhǎng)。各種數(shù)據(jù)廣 泛存在，數(shù)字。圖形、文字、表格、聲音等都是數(shù)據(jù)的種種表象，可 謂是數(shù)據(jù)的海洋．要從這數(shù)據(jù)的海洋中尋找有用的資料．就要靠 處理數(shù)據(jù)的手段來(lái)挖掘．人類分析數(shù)據(jù)到現(xiàn)在已經(jīng)有上千年的 歷史了．從遠(yuǎn)古時(shí)代人類開(kāi)始在木頭上計(jì)數(shù)開(kāi)始就是一個(gè)簡(jiǎn)單 的數(shù)據(jù)分析過(guò)程．但是近代數(shù)據(jù)分析是用統(tǒng)計(jì)學(xué)的概念去處理 數(shù)據(jù)．隨著二戰(zhàn)的結(jié)束，一些非統(tǒng)計(jì)的數(shù)據(jù)分析工具．如人工智 能方面的技術(shù)開(kāi)始應(yīng)用到行業(yè)經(jīng)濟(jì)中．到了二十世紀(jì)九十年代． 美國(guó)的一些應(yīng)用者和學(xué)者把在數(shù)據(jù)海洋中尋找知識(shí)的過(guò)程叫 做”數(shù)據(jù)挖掘”．數(shù)據(jù)挖掘”（Ｄａｔａ Ｍｉｎｉｎｇ）是一種新的信息處理技 術(shù)，其主要特點(diǎn)是對(duì)數(shù)據(jù)庫(kù)中的大量業(yè)務(wù)數(shù)據(jù)進(jìn)行抽取、轉(zhuǎn)換、 分析和其他模型化處理．從中提取輔助決策的關(guān)鍵性數(shù)據(jù)．數(shù)據(jù) 挖掘與傳統(tǒng)的數(shù)據(jù)分析，如查詢、報(bào)表、ＯＬＡＰ（聯(lián)機(jī)應(yīng)用分析）、 統(tǒng)計(jì)分析等數(shù)據(jù)分析技術(shù)的本質(zhì)區(qū)別是數(shù)據(jù)挖掘是在明確假設(shè) 的前提下去挖掘信息、發(fā)現(xiàn)知識(shí)．

? ? １、數(shù)據(jù)挖掘研究的起源 Ｕｓａｍａ Ｆａｙｙａｄｍ是數(shù)據(jù)挖掘的開(kāi)山師祖．１９８７年就讀密西根 大學(xué)時(shí)參加通用的暑期工作．目的是從數(shù)以萬(wàn)計(jì)的維修記錄中 找出規(guī)則．協(xié)助維修人員迅速發(fā)現(xiàn)問(wèn)題．Ｆａｙｙａｄ發(fā)現(xiàn)的ｐａｔｔｅｒｎ算 法．不但成為他１９９１年論文的主題，也衍生出后來(lái)數(shù)據(jù)挖掘技 術(shù)的發(fā)展．離開(kāi)密西根后．Ｆａｙｙａｄ加入ＮＡＳＡ的噴射推進(jìn)實(shí)驗(yàn) 室，他的算法在太空探測(cè)、地質(zhì)研究等工作中均展現(xiàn)出了非常驚 人的潛力．數(shù)據(jù)挖掘最早被應(yīng)用于天文學(xué)．即由機(jī)器學(xué)習(xí)、類型 辯識(shí)及統(tǒng)計(jì)等技術(shù)．在短短４小時(shí)內(nèi)所發(fā)現(xiàn)的行星勝過(guò)了２０多 位天文學(xué)家４年的成果．現(xiàn)在連美國(guó)軍方也開(kāi)始應(yīng)用這樣的技 術(shù)增強(qiáng)雷達(dá)解讀與辯識(shí)數(shù)據(jù)的能力． 對(duì)數(shù)據(jù)挖掘的定義存在多種說(shuō)法：Ｇｒｏｔｈ啊認(rèn)為”數(shù)據(jù)挖掘” 就是”挖掘”出數(shù)據(jù)中隱藏的模式，趨勢(shì)．關(guān)系的過(guò)程： Ｂｅｒｙｙ＆Ｌｉｎｏ樅為”數(shù)據(jù)挖掘”是通過(guò)自動(dòng)或半自動(dòng)的方式在海 量數(shù)據(jù)中發(fā)現(xiàn)有用的模式，規(guī)則的過(guò)程；Ｈａｎｄ，Ｍａｎｎｉｌａ＆Ｓｍｙｔｈ〔田 則認(rèn)為”數(shù)據(jù)挖掘”是分析普通的數(shù)據(jù)（通常是海量的）來(lái)發(fā)現(xiàn)數(shù) 據(jù)之間比較穩(wěn)定地關(guān)系．以易于理解的方式將數(shù)據(jù)總結(jié)出來(lái)向 數(shù)據(jù)所有者提供有價(jià)值的決策支持：Ｃａｂｅｎａ ｅｔａｌｍ將”數(shù)據(jù)挖掘” 定義為從大量的數(shù)據(jù)庫(kù)中抽取出此前還沒(méi)發(fā)現(xiàn)的有效實(shí)用地的 信息，并且此后使用此信息來(lái)幫助制定關(guān)鍵的商業(yè)決策的過(guò)程．

? ? 綜合來(lái)說(shuō)，數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模 糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)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(shí)的過(guò)程．數(shù)據(jù)挖掘是一門 交叉學(xué)科。其技術(shù)歷經(jīng)了２０多年的發(fā)展．包括了數(shù)據(jù)庫(kù)技術(shù)、人 工智能技術(shù)、數(shù)理統(tǒng)計(jì)、可視化技術(shù)、并行計(jì)算等技術(shù)熱點(diǎn)．

? ?今天，這些成熟的技術(shù)。加上高性能的關(guān)系數(shù)據(jù)庫(kù)引擎 以及廣泛的數(shù)據(jù)集成．讓數(shù)據(jù)挖掘技術(shù)在當(dāng)前的數(shù)據(jù)倉(cāng)庫(kù)環(huán)境 中進(jìn)入了實(shí)用的階段． 在選擇數(shù)據(jù)挖掘的相關(guān)技術(shù)以及算法上．數(shù)據(jù)挖掘的理論 技術(shù)可分為傳統(tǒng)技術(shù)與改良技術(shù)兩類．傳統(tǒng)技術(shù)以統(tǒng)計(jì)分析為 代表．統(tǒng)計(jì)學(xué)內(nèi)所含序列統(tǒng)計(jì)、概率論、回歸分析、類別數(shù)據(jù)分析 等都屬于傳統(tǒng)數(shù)據(jù)挖掘技術(shù)，尤其Ｄａｔａ Ｍｉｎｉｎｇ對(duì)象多為變量繁 多且樣本數(shù)龐大的數(shù)據(jù)．高等統(tǒng)計(jì)學(xué)里之多變量分析中用來(lái)精 簡(jiǎn)變量的因素分析（Ｆａｃｔｏｒ Ａｎａｌｙｓｉｓ）、用來(lái)分類的判別分析（Ｄ兇 ｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ）．以及用來(lái)區(qū)隔群體的分群分析（Ｃｌｕｓｔｅｒ Ａｎａｌｙｓｉｓ）等．在Ｄａｔａ Ｍｉｎｉｎｇ過(guò)程中特別常用．在改良技術(shù)方面． 應(yīng)用較普遍的有決策樹(shù)理論（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅｓ）、類神經(jīng)網(wǎng)絡(luò)（Ｎｅｕ． ｒａｌ Ｎｅｔｗｏｒｋ）以及規(guī)則歸納法（Ｒｕｌｅｓ Ｉｎｄｕｃｔｉｏｎ）等． 對(duì)數(shù)據(jù)挖掘而言．研究者必須考慮所要進(jìn)行挖掘分類領(lǐng)域的 一些相關(guān)同題：如研究領(lǐng)域的特性、數(shù)據(jù)的質(zhì)量、數(shù)據(jù)庫(kù)的組成是 否能表現(xiàn)這個(gè)議題、決策環(huán)境、人員因素以及這些因素間的潛在 互動(dòng)等等．都是需要考慮的因素．可以用圖２來(lái)表示這個(gè)概念．

? ?２、數(shù)據(jù)挖掘研究的應(yīng)用與機(jī)遇 作為應(yīng)用技術(shù)．數(shù)據(jù)挖掘可謂涵蓋廣泛。尤其在發(fā)達(dá)國(guó) 家．數(shù)據(jù)挖掘技術(shù)的觸角已經(jīng)伸向了各行各業(yè)．只要某產(chǎn)業(yè)擁有 具分析價(jià)值與需求的數(shù)據(jù)倉(cāng)儲(chǔ)或數(shù)據(jù)庫(kù)．皆可利用挖掘工具進(jìn) 行有目的的挖掘分析．一般較常見(jiàn)的應(yīng)用案例多發(fā)生在零售業(yè)、 直效行銷界、制造業(yè)、財(cái)務(wù)金融保險(xiǎn)、通訊業(yè)以及醫(yī)療服務(wù)等．數(shù) 據(jù)挖掘的應(yīng)用領(lǐng)域具體可以分為三類：第一類．商業(yè)與電子商務(wù) 數(shù)據(jù)．銀行、管理部門、網(wǎng)絡(luò)應(yīng)用在商業(yè)運(yùn)作過(guò)程中產(chǎn)生大量數(shù) 據(jù)．這些行業(yè)需要通過(guò)數(shù)據(jù)分析做出有效的決策．第二類，科學(xué)、 工程學(xué)和衛(wèi)生保健數(shù)據(jù)．工程領(lǐng)域的數(shù)據(jù)往往比商業(yè)數(shù)據(jù)更復(fù) 雜，此外．科學(xué)家和工程師越來(lái)越多地使用模擬系統(tǒng)．第三類：網(wǎng) 絡(luò)數(shù)據(jù)．網(wǎng)絡(luò)上的數(shù)據(jù)不僅在數(shù)量上日益膨脹，在內(nèi)容上也越來(lái) 越復(fù)雜．網(wǎng)絡(luò)數(shù)據(jù)已經(jīng)不僅僅包括圖象、文本，還包括數(shù)據(jù)流和 數(shù)值數(shù)據(jù)．下面對(duì)每一類的具體應(yīng)用作一介紹．

? ?商業(yè)交易：國(guó)外的數(shù)據(jù)挖掘技術(shù)主要應(yīng)用在了銀行業(yè)，典型 的例子就是信用卡，用數(shù)據(jù)挖掘技術(shù)來(lái)分析×××的信用等 級(jí)和資產(chǎn)發(fā)展趨勢(shì)，用以規(guī)避銀行風(fēng)險(xiǎn)．保險(xiǎn)業(yè)借以此技術(shù)來(lái)防 止保險(xiǎn)欺詐行為。并慢慢***到稅收、零售行業(yè)以及國(guó)家安全系 統(tǒng)的保障等等．

? ?電子商務(wù)：電子商務(wù)的發(fā)展促使公司內(nèi)部收集了大量的數(shù) 據(jù)。并且迫切需要將這些數(shù)據(jù)轉(zhuǎn)換成有用的信息和知識(shí)，為公司 　萬(wàn)方數(shù)據(jù) 福建電腦 ２００９年第３期 創(chuàng)造更多潛在的利潤(rùn)．數(shù)據(jù)挖掘在電子商務(wù)的應(yīng)用已進(jìn)入了實(shí) 用階段．并取得了良好的效果．

? ?基因數(shù)據(jù)：基因組作序和作圖產(chǎn)生大量的數(shù)據(jù)庫(kù)，這些數(shù)據(jù) 庫(kù)絕大部分尚未被挖掘。因?yàn)槿鄙倮硐氲臄?shù)據(jù)挖掘技術(shù)，基因挖 掘容易被忽視．

? ?傳感器數(shù)據(jù)：衛(wèi)星、浮標(biāo)、氣球還有許多其他傳感器產(chǎn)生關(guān) 于大氣層、海洋、和陸地的大量數(shù)據(jù)．一個(gè)最大的挑戰(zhàn)就是研究 這些變量之間的關(guān)系，比如：工業(yè)污染影響全球氣候變暖嗎？

? ?模擬系統(tǒng)數(shù)據(jù)：今天，模擬被認(rèn)為是繼理論和實(shí)驗(yàn)之后．科 學(xué)的第三種模式．模擬系統(tǒng)同實(shí)驗(yàn)一樣產(chǎn)生大量數(shù)據(jù)．數(shù)據(jù)挖掘 被認(rèn)為是理論、模擬和實(shí)驗(yàn)之間一個(gè)關(guān)鍵的連接．

? ?衛(wèi)生保健數(shù)據(jù)：衛(wèi)生保健日益成為國(guó)民生產(chǎn)總值中重要的 組成部分．醫(yī)院、衛(wèi)生組織和保險(xiǎn)公司擁有病人的大量信息：病 人的健康問(wèn)題、醫(yī)療程序、成本和收益，理解它們之間的關(guān)系相 當(dāng)重要．數(shù)據(jù)挖掘的一個(gè)獨(dú)特的用法就是用來(lái)預(yù)測(cè)手術(shù)、用藥、 診斷、或是流程控制的效率． 多媒體文本：文本的數(shù)量和使用文本的人日益增加，多媒體 技術(shù)也越來(lái)越容易接觸到．同時(shí)也越來(lái)越難以獲取有用的數(shù)據(jù)． 文本數(shù)據(jù)挖掘并不是一件容易的事情。尤其是在分析方法方面。 還有很多需要研究的專題．

? ?Ｗｅｂ數(shù)據(jù)：今天．Ｗｅｂ主要面向文本和多媒體設(shè)備．ＨＴＭＬ 雖然已被認(rèn)為是最強(qiáng)大、最有力的工具。但也受到許多使用者的 批評(píng)．未來(lái)．Ｗｅｂ將是數(shù)據(jù)處理最重要的工具，以ｘＭＬ為基礎(chǔ)的 新一代ＷＷＷ環(huán)境是直接面對(duì)Ｗｅｂ數(shù)據(jù)的．不僅可以很好地兼 容原有的Ｗｅｂ應(yīng)用．而且可以更好地實(shí)現(xiàn)Ｗｅｂ中的信息共享與 交換．隨著ＸＭＬ的發(fā)展．數(shù)據(jù)挖掘?qū)⒖沙蔀榫W(wǎng)絡(luò)數(shù)據(jù)的關(guān)鍵技 術(shù)． 未來(lái)幾年．數(shù)據(jù)挖掘?qū)⑹菢O為重要的成長(zhǎng)領(lǐng)域，數(shù)據(jù)挖掘的 應(yīng)用越來(lái)越廣泛．

? ?研究結(jié)果顯示．企業(yè)所處理的數(shù)據(jù)每五年就會(huì) 璺現(xiàn)倍數(shù)增長(zhǎng)．大部分的企業(yè)并沒(méi)有數(shù)據(jù)不足的問(wèn)題．過(guò)度的數(shù) 據(jù)重復(fù)與不一致才是大問(wèn)題．這使得企業(yè)無(wú)論在使用、有效管 理、以及將這些數(shù)據(jù)用于決策過(guò)程方面都遭遇到了問(wèn)題．因此市 場(chǎng)需要的是能夠?qū)?shù)據(jù)轉(zhuǎn)變成可靠與可用信息的系統(tǒng)．不同領(lǐng) 域的專家對(duì)數(shù)據(jù)挖掘都表現(xiàn)出了極大的興趣．例如在信息服務(wù) 業(yè)中出現(xiàn)了一些應(yīng)用．在Ｉｎｔｅｒｎｅｔ之?dāng)?shù)據(jù)倉(cāng)儲(chǔ)和線上服務(wù)中也給 企業(yè)增加了許多生機(jī)．同時(shí)在產(chǎn)學(xué)合作下．又發(fā)展出了許多實(shí)用 的系統(tǒng)．例如ＭＤＴ、Ｃｏｖｅｒｓｔｏｒｙ ａｎｄ Ｓｐｏｔｌｉｇｈｔ、Ｎｉｅｈ ｗｏｒｋ ｖｉｓｕａｌｉｚａ－ ｔｉｏｎ ｓｙｓｔｅｍ ＬＢＳ、ＦＡＬＣＯＮ、ＦＡＩＳ、ＮＹＮＥＸ、ＴＡＳＡ等等．目前已 被許多研究者視為結(jié)合數(shù)據(jù)庫(kù)系統(tǒng)和機(jī)器學(xué)習(xí)技術(shù)的重要領(lǐng) 域．對(duì)于研究者來(lái)說(shuō)．數(shù)據(jù)挖掘是個(gè)充滿潛力和機(jī)遇無(wú)限的研究 領(lǐng)域．

? ?３．數(shù)據(jù)挖掘研究面臨的挑戰(zhàn)

? ? 目前．數(shù)據(jù)挖掘算法雖然已經(jīng)取得了很大的突破，但在實(shí)際 應(yīng)用中．數(shù)據(jù)挖掘技術(shù)還存在相當(dāng)多的難題和困難，對(duì)于研究者 來(lái)說(shuō)．數(shù)據(jù)挖掘是個(gè)充滿挑戰(zhàn)性的領(lǐng)域．

? ?３．１流數(shù)據(jù)挖掘． 一個(gè)重要的問(wèn)題是挖掘大數(shù)據(jù)庫(kù)（如１００ ＴＳ）的數(shù)據(jù)流，這 些數(shù)據(jù)流廣泛存在互聯(lián)網(wǎng)、無(wú)線通信網(wǎng)絡(luò)、地質(zhì)測(cè)量、氣象、天文 觀測(cè)等方面，由于數(shù)據(jù)流迅速、大量、連續(xù)地到達(dá)，因此現(xiàn)有的數(shù) 據(jù)挖掘算法在處理如此大量的數(shù)據(jù)方面速度太慢了，需要研究 新的算法．與此同時(shí)．數(shù)據(jù)流需要以近實(shí)時(shí)的方式對(duì)更新流進(jìn)行 復(fù)雜分析．這對(duì)研究者來(lái)說(shuō)也是一個(gè)挑戰(zhàn)．

? ? ３．２分布式數(shù)據(jù)挖掘． 出于對(duì)安全性、容錯(cuò)性、商業(yè)競(jìng)爭(zhēng)以及法律約束等多方面因 素的考慮．在許多情況下，將所有數(shù)據(jù)集中在一起進(jìn)行分析往往 是不可行的．隨著各相關(guān)學(xué)科的飛速發(fā)展。各種網(wǎng)絡(luò)尤其是Ｉｎ－ ｔｅｍｅｔ的廣泛使用．同時(shí)，實(shí)際應(yīng)用要求數(shù)據(jù)挖掘系統(tǒng)具有更好 的可擴(kuò)展性．分布式數(shù)據(jù)挖掘系統(tǒng)則可以充分利用分布式計(jì)算 的能力對(duì)相關(guān)的數(shù)據(jù)進(jìn)行分析與綜合．如研究某種疾病在某地 的發(fā)病情況與氣候的關(guān)系（疾病控制數(shù)據(jù)庫(kù)＋環(huán)境數(shù)據(jù)庫(kù)）；金融 組織問(wèn)通過(guò)合作防止信用卡欺詐（數(shù)據(jù)共享）；大型跨國(guó)公司營(yíng) 銷策略的制定（銷售點(diǎn)分散．數(shù)據(jù)倉(cāng)庫(kù)構(gòu)造十分耗時(shí)）．分布式數(shù) 據(jù)挖掘正是在這一背景下產(chǎn)生的．它是數(shù)據(jù)挖掘技術(shù)與分布式 計(jì)算的有機(jī)結(jié)合．主要用于分布式環(huán)境下的數(shù)據(jù)模式發(fā)現(xiàn)．分布 式數(shù)據(jù)挖掘面臨的問(wèn)題是研究算法．實(shí)現(xiàn)對(duì)不同數(shù)據(jù)源、多重?cái)?shù) 據(jù)庫(kù)間的挖掘．

? ?３．３時(shí)問(wèn)序列數(shù)據(jù)挖掘． 時(shí)問(wèn)序列是數(shù)據(jù)存在的特殊形式，序列的過(guò)去值會(huì)影響到 將來(lái)值。這種影響的大小以及影響的方式可由時(shí)間序列中的趨 勢(shì)周期及非平穩(wěn)等行為來(lái)刻畫(huà)．一般來(lái)講，時(shí)間序列數(shù)據(jù)都具有 噪聲、不穩(wěn)定、隨機(jī)性等特點(diǎn)，這就使得正確進(jìn)行短期和長(zhǎng)期的 預(yù)測(cè)都非常困難．如何解決時(shí)間序列數(shù)據(jù)的噪聲問(wèn)題。從而有效 地聚類、分類和預(yù)測(cè)數(shù)據(jù)趨勢(shì)仍然是個(gè)有待解決的問(wèn)題．對(duì)于這 類數(shù)據(jù)的預(yù)測(cè)方法目前主要有自動(dòng)回歸滑動(dòng)平均（ＡＲＭＡ）和神 經(jīng)網(wǎng)絡(luò)等，但這些方法有一些缺點(diǎn)是很難克服的．ＡＲＭＡ包含的 是線性行為，對(duì)于非線性的因素沒(méi)有包含；而神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)需 要事先指定或應(yīng)用啟發(fā)式算法在訓(xùn)練過(guò)程中修正：同時(shí)神經(jīng)網(wǎng) 絡(luò)得到的解是局部最優(yōu)而非全局最優(yōu)．例如在金融時(shí)間序列預(yù) 測(cè)中，雖然小波分析可去掉噪聲。但通常會(huì)帶來(lái)滯后的問(wèn)題，從 而減低了預(yù)測(cè)的準(zhǔn)確程度．現(xiàn)今的數(shù)據(jù)挖掘方法在處理噪聲數(shù) 據(jù)方面仍然有很大的困難．

? ?３．４生物醫(yī)學(xué)或基因數(shù)據(jù)挖掘 目前．生物醫(yī)學(xué)或基因?qū)W領(lǐng)域的進(jìn)步產(chǎn)生了大量的數(shù)據(jù)．對(duì) 于生物信息或基因的數(shù)據(jù)挖掘和通常的數(shù)據(jù)挖掘相比．無(wú)論在 數(shù)據(jù)的復(fù)雜程度、數(shù)據(jù)量還有分析和建立模型的算法而言。都要 復(fù)雜得多．例如：基因和蛋白質(zhì)在數(shù)量上巨大（ＤＮＡ分子可以有 上億對(duì)），結(jié)構(gòu)非常復(fù)雜，彼此之間的作用善未被發(fā)現(xiàn)；在生物醫(yī) 學(xué)的許多方面如進(jìn)化論、生物數(shù)據(jù)ｃｌｅａｎ、生物序列分析、生物網(wǎng) 絡(luò)分析．生物圖象分析等等．從分析算法上講．更需要一些新的 和好的算法．現(xiàn)在很多廠商正在致力于這方面的研究．但就技術(shù) 和軟件而言．還遠(yuǎn)沒(méi)有達(dá)到成熟的地步．

? ?３．５可視化數(shù)據(jù)挖掘 目前．在可視化工具方面已經(jīng)有所發(fā)展．可視化工具除了較 常見(jiàn)的柱形或條形統(tǒng)計(jì)圖表、餅圖、曲線、柱狀圖、箱線圖等等， 還有其他工具如幾何圖形（如平行坐標(biāo)）、分級(jí)技術(shù)、圖標(biāo)技術(shù)． 可視化數(shù)據(jù)挖掘?qū)τ谘芯空呤莻€(gè)充滿吸引力的領(lǐng)域．因?yàn)榭梢?化技術(shù)可以幫助研究者更好地解釋數(shù)據(jù)、發(fā)現(xiàn)數(shù)據(jù)的模式．通過(guò) 發(fā)展技術(shù)和系統(tǒng)來(lái)尋求數(shù)據(jù)挖掘過(guò)程中的可視化方法．使知識(shí) 發(fā)現(xiàn)的過(guò)程易于被用戶理解和操縱．可使數(shù)據(jù)挖掘過(guò)程成為用 戶業(yè)務(wù)流程的一部分．也便于在知識(shí)發(fā)現(xiàn)的過(guò)程中進(jìn)行人機(jī)交 互：包括數(shù)據(jù)用戶化呈現(xiàn)與交互操縱兩部分．

? ?３．６過(guò)程數(shù)據(jù)挖掘 一個(gè)重要的問(wèn)題是如何使數(shù)據(jù)挖掘過(guò)程自動(dòng)化．在數(shù)據(jù)挖 掘系統(tǒng)里面建立一種方法來(lái)幫助用戶避免許多數(shù)據(jù)挖掘中的錯(cuò) 誤．如果我們能夠?qū)⒏鞣N數(shù)據(jù)挖掘過(guò)程自動(dòng)化，就可以大大地減 少勞力．莉用目前的技術(shù)雖然可以快速地建模和尋找模式．但 ９０％的成本浪費(fèi)在預(yù)處理上，減少這些成本將極大地降低建模 的成本．另一個(gè)重要的問(wèn)題是如何將可視化和自動(dòng)化數(shù)據(jù)挖掘 技術(shù)結(jié)合在一起，在很多應(yīng)用上，數(shù)據(jù)挖掘的目標(biāo)和任務(wù)不太明 確，特別是在實(shí)驗(yàn)性數(shù)據(jù)分析．可視化可以幫助我們獲取數(shù)據(jù)的 更多信息和明確數(shù)據(jù)挖掘的任務(wù)．

? ? ３．７動(dòng)態(tài)數(shù)據(jù)、ＲＦＩＤ數(shù)據(jù)和傳感器網(wǎng)絡(luò)數(shù)據(jù)挖掘 隨著傳感器網(wǎng)絡(luò)、ＧＰＳ、手機(jī)和其他移動(dòng)設(shè)備和ＲＦＩＤ技術(shù) 的普遍。大量動(dòng)態(tài)數(shù)據(jù)需要被分析．在動(dòng)態(tài)數(shù)據(jù)、ＲＦＩＤ數(shù)據(jù)和傳 感器數(shù)據(jù)挖掘領(lǐng)域里，還有許多尚未被研究的問(wèn)題：例如。尋找 關(guān)聯(lián)和規(guī)則性來(lái)ｃｌｅａｎ有噪音的傳感器網(wǎng)絡(luò)和ＲｎＤ數(shù)據(jù)、如何 為這些數(shù)據(jù)構(gòu)建數(shù)據(jù)倉(cāng)庫(kù)、如何對(duì)千兆字節(jié)的ＲＦＩＤ數(shù)據(jù)進(jìn)行 挖掘、如何ｃｈｅｓｔｙ多維軌道數(shù)據(jù)等等．

轉(zhuǎn)載于:https://blog.51cto.com/icbcchina/1205233

總結(jié)

以上是生活随笔為你收集整理的数据挖掘研究的机遇及挑战 洪胜宏的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。