医院医疗数据挖掘与分析
医院医疗数据挖掘与分析
孔抗美①张 莹①李韶斌①△赵紫奉①
关键词数据挖掘医院信息系统辅助决策
摘 要介绍数据挖掘技术的相关知识，对实现数据挖掘的关键技术，特别是决策
树算法进行阐述，探讨数据挖掘技术在临床医疗诊断挖掘分析、医疗费用分析以及
成本效益分析等方面的应用。
Keywords Data mining, Hospital information system, Assistant decision making
Abstract The paper introduces relevant knowledge of data mining and key
technologies of data mining, especially algorithm of decision tree to discuss
application of data mining system in the hospital business such as clinical
diagnosis, medical expenses analysis and cost bene? t analysis.
1 引言
目前，我国许多大中型医院建立了医院信息系统（H o s p i t a l I n f o r m a t i o n
System, HIS），医院信息系统包括医院医疗、财务、药品、物资等信息，但对数据
基金项目：广东省科技计划项目(项目编号：2009B030801043)
① 汕头大学医学院第二附属医院，汕头市，515041
作者简介：孔抗美（1952 -），医学、管理学双硕士，汕头大学医学院第二附属医院院长，教授；研究方向：医院管理和信息化建设；E-mail：kongkm@https://www.wendangku.net/doc/1513104.html,。
通讯作者：李韶斌，硕士学位，汕头大学医学院第二附属医院信息科副科长，网络中心负责人，电子技术高级工程师；
E-mail：mrlsb@https://www.wendangku.net/doc/1513104.html,。
△ 通讯作者
数字化医院建设S H U Z I H U A Y I Y U A N J I A N S H E
的利用却仅限于简单查询，在数据分析和辅助决策方面无能为力。如何针对临床诊疗、财务数据等海量数据进行深层次的挖掘，通过信息的分类整理和分析，辅助发现医疗业务和管理中潜在的问题，不断提高医院的医疗水平和管理水平，是医院管理企盼解决的问题，采用数据挖掘技术对HIS数据进行再次开发已成为新的趋势。
2 数据挖掘技术概述
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、事先未知的、潜在有用的信息和知识的过程。数据挖掘技术能高度自动化地分析数据仓库原有数据，做出归纳性推理，挖掘出潜在的模式，最大效能地利用已有信息和数据。通过数据挖掘，有价值的知识、规则或高层次的信息从数据库的相关数据集合中抽取出来，并从不同的角度显示，使大型数据库为知识归纳服务。不同于传统数据库技术，数据挖掘查询时不要求严格的表达式，常采用一种类SQL语言来描述，有即时、随机的特点，不一定都生成严格的结果集；挖掘过程基于统计规律，产生的规则并不要求对所有的数据项总是成立，只要达到预定的阈值；可以实现数
据库不同层次上知识规则的发掘。
在医学应用领域，数据挖掘有
其自身的优势。由于医学收集的数
据一般真实可靠、不受其它因素影
响，而且数据集的稳定性较强，这
些都有利于挖掘结果的维护、不断
提高挖掘模式的质量。
3 医疗数据挖掘流程
3.1 定义需求
在这个阶段进行需求分析和资
源发现，定义需求，确定医疗目标
和关键人群，了解目前该需求的解
决途径。对现有资源进行评估，然
后确定挖掘目标，制定挖掘计划，
从获取的原始数据中抽取一定数量
的数据子集，建立数据挖掘库。
3.2 数据预处理
确定挖掘的数据源，包括数据
库中的数据源或单独收集的数据库
外部数据，列出数据类型包括数据
属性、大小、格式以描述数据源，
使最初获得的数据可部分回答数据
挖掘的目的，也能肯定最初的假设
或产生对新特征的探求。然后通过
两种途径对数据源进行选择：一种
是对数据空间进行采样，此时的数
据选择是随机的；另一种是对特征
空间进行采样，具有某些特征的数
据才能被选中。
3.3 数据挖掘
使用合适的数据挖掘算法完成
数据分析，这是医学知识发现过程
的关键性步骤。实现数据挖掘的方
法包括概念描述、关联分析、分类
与预测、聚类分析、趋势分析、孤
立点分析和偏差分析等。挖掘结果
在实际运用中需要反复求证，以检
验其合理性，需要与专家之间建立
广泛的交流，将各种实验结论与他
们的医疗经验进行求证，以检验挖
掘方法的合理性。
3.4 分析评估
评估发现的知识是否精确，并
与最初的研究目标相比较，其结论
对使用者来说必须是可以理解的。
在医疗领域同时需要评估挖掘出的
知识是否新颖、有使用价值，能对
结论进行医疗上的解释，并符合最
初的数据挖掘目标。
3.5 确定实施方案
模型建立并经验证之后，使用
两种方法对模型进行实施：一种是
提供给分析人员做参考，由他们观
察和分析该模型之后提出相应的实
施方案；另一种是把该模型应用到
不同的数据集中。 4 医疗数据挖掘系统设计
本系统以HIS系统中的医疗数据为数据源，通过数据模型分析建立数据仓库，通过对数据进行预处理、建树、剪妆制定规则并返回给用户界面。系统主要分由四个部分组成：用户界面、数据库接口、决策树生成和决策模块，整个结构如图1所示。
4.1 关键技术
由于医疗数据的特殊性，需要针对数据源进行预处理及信息融合；为探索出最佳的决策管理方
案，需对结构划处理的数据建立关联规则，本系统采用了决策树算法
对医疗数据进行挖掘分析。
4.1.1 数据预处理及融合 医疗数据库中含有海量不同来源的原始信息，包括大量模糊的、不完整的、带有噪声的、冗余的信息。在数据挖掘之前，必须对这些信息进行清理和过滤，以确保数据的一致性和确定性，并将其转换成适合挖掘的形式。
医疗数据中包含大量的文本、
符号、数字信息，对这些不同物理属性的医疗数据，应采用不同的技术进行处理，使其在属性上趋同或
一致，再对处理结果进行综合。医疗数据多源性、时序性和非时序性数据共存、数字型数据和非数字型数据共存的特点，加大了信息融合的难度。
4.1.2 决策树算法
采用决策树算法对医疗数据进行数据挖掘，决策树算法是以基于分类概念的算法构造树，此树将基于培训集中的剩余列预测列值，因此，树中的每个节点代表一列的特
定事例，将此节点放在何处的决策由算法做出，并且在不同深度的节点可能代表每列不同的事例。决策树是以树的结构显示的分类形式，
图1 系统结构图
数字化医院建设S H U Z I H U A Y I Y U A N J I A N S H E
其中树结构中的节点代表进一步对数据进行分类。
4.2 挖掘分析实例
本实例以病人医疗费用进行挖掘分析，在数据挖掘过程中，对医疗费用数据的产生流程和结果进行监控，确定数据挖掘方向，可以通过研究不同时期的病人住院费用情况、研究不同年龄病人住院费用情况、研究病人不同项目的住院费用情况等。
挖掘分析分三个阶段进行：第一阶段为数据准备，即采集病人住院医疗费用的信息，形成基本数据库；第二阶段为预处理阶段，对病人基本信息和费用信息进行处理，形成关联规则事物表；第三阶段利用决策树算法进行医疗费用知识发现的数据挖掘。
以医院1525个病人的费用数据进行分析，按年龄层次划分，
20-70岁以下的病人的医疗费用
成递增方式增长，其中40岁至
70岁的病人费用占总病人的费用
58.61%，若再加上性别，按不同
年龄段、不同性别对住院费用影
响，可以用如图2所示的决策树表
示，其中边框代表事件的密度，边
框越粗代表事件越多。
针对这些病人住院费用一级
项目明细，西药费、治疗费、检查
费占总费用的76.71%，它们是对
住院费用影响最大的因子的主要成
分，用如图3所示的一级项目住院
费用决策树表示，决策者可以通过
加强西药费、治疗费、检查费的控
制来控制医疗费用。
4.3 功能实现
数据挖掘技术在疾病诊断及
医院管理上具有重要的研究应用价
值，系统主要实现临床医疗诊断、
医疗费用及成本效益的挖掘分析。
4.3.1临床医疗诊断挖掘分析
采用数据挖掘对病人的职业、
年龄、工作生活环境、身份、所在
地区等特征进行分析，根据关联规
则挖掘并发可能性较高的一些疾
病，发现某些疾病与年龄、性别、
居住地、职业、生活习惯等的关
系；对一些常见病、多发病、重大
传染性疾病等临床诊疗数据进行横
向和纵向比较，分别进行特征空间
的采样，选取与数据挖掘目标相关
的若干属性，建立数据模型，让医
务人员对模型产生的结果进行分析
与预测，得出合理的实施方案。
4.3.2医疗费用挖掘分析
医疗费用挖掘分析包括病人
费用构成分析、同期费用对比分
析、单病种的住院费用分析。病人
费用构成分析是通过分析医院、科
室乃至各病区病人的费用构成，有
针对性的控制费用比例，探究医疗
费用项目结构的合理性，使医院管
理者有针对性的控制医疗费用；同
期费用对比分析是按不同的时间维
度（包括按年综合、按季度综合、
按月综合）对各个科室或各个病房
同期的各种费用进行对比分析，并
以各种专业报表、视图的形式反映
图2 年龄性别住院费用决策树
给医院管理者；单病种的住院费用
分析是以ICD-10疾病分类标准进行分析，包括对单病种病人自身情况、病情、治疗方案、住院天数等方面进行分析，为医疗质量管理提供依据，使医生能够及时总结经验，找到最佳治疗手段，促进医疗费用合理化，减轻患者医疗负担，为医院带来更高的经济和社会效益。
4.3.3 成本效益挖掘分析 把医院不同信息系统的数据汇总到数据仓库，对医院的成本效益情况进行全面分析，从而把握医院的经营状况。例如：各药品库存量的时间动态趋势，通过分析来减少药品库存量，加快资金周转速度；根据需要统计医院药品、耗材的用量以及主要供应商，从而保证合理存量，有效规范医疗用品购
销行为；对医院资金运转情况作财务分析，了解医院财务状况和资金流向，分析医院运营风险，利用数据挖掘中的环基比和定基比技术分析医院财务资金的增长速度，并用曲线拟合来预测未来的现金需求量，为投入决策和资源有效配置提供依据。
5 结论
随着HIS的不断完善和医院信息的不断积累，利用数据挖掘技术构造先进的医疗诊断和决策支持系统，对提高医院的医疗管理水平具有重要的意义。运用数据挖掘技术，对医院信息系统的海量数据进行深度加工可从中得到长期系统的数据，使HIS脱离简单查询、报表模式；通过决策树、神经网络、遗传算法、聚类等技术对数据进行深
层次的挖掘，医院管理者利用医院信息系统可以找到对医院发展至关重要的业务信息，为医院的科学管理提供支持。■
参 考 文 献
[1] 刁琰. 数据仓库与数据挖掘技术在医院信息管理中的应用. 华南国防医学杂志, 2008, 22(4): 63-64.
[2] 赵晓凡, 牛承志. 浅析基于决策树的
数据挖掘技术在HIS 中的应用. 电脑知识与技术, 2011, 7(2): 292-294.
[3] 王徐冬, 杨希武. 数据仓库与数据挖掘在医院信息系统中的应用. 医疗卫生装备, 2008, 29(8): 47-49.
[4] 纪征. 医学数据挖掘应用. 情报探索, 2010, 6(8): 105-106.
[5] 苏新宁. 数据仓库和数据挖掘[M]. 北京: 清华大学出版社, 2006.
[6] 杨海清. 数据挖掘技术在医院管理中的应用. 中华医院管理杂志, 2005, 21(7): 497-499.
图3 一级项目住院费用决策树
《大数据时代下的数据挖掘》试题及答案要点
《海量数据挖掘技术及工程实践》题目 一、单选题（共80题） 1)( D )的目的缩小数据的取值范围，使其更适合于数据挖掘算法的需要，并且能够得到 和原始数据相同的分析结果。 A.数据清洗 B.数据集成 C.数据变换 D.数据归约 2)某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖 掘的哪类问题？(A) A. 关联规则发现 B. 聚类 C. 分类 D. 自然语言处理 3)以下两种描述分别对应哪两种对分类算法的评价标准？ (A) (a)警察抓小偷，描述警察抓的人中有多少个是小偷的标准。 (b)描述有多少比例的小偷给警察抓了的标准。 A. Precision,Recall B. Recall,Precision A. Precision,ROC D. Recall,ROC 4)将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务？(C) A. 频繁模式挖掘 B. 分类和预测 C. 数据预处理 D. 数据流挖掘 5)当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数 据相分离？(B) A. 分类 B. 聚类 C. 关联分析 D. 隐马尔可夫链 6)建立一个模型，通过这个模型根据已知的变量值来预测其他某个变量值属于数据挖掘的 哪一类任务？(C) A. 根据内容检索 B. 建模描述 C. 预测建模 D. 寻找模式和规则 7)下面哪种不属于数据预处理的方法？ (D) A.变量代换 B.离散化
C.聚集 D.估计遗漏值 8)假设12个销售价格记录组已经排序如下：5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215 使用如下每种方法将它们划分成四个箱。等频（等深）划分时，15在第几个箱子内？ (B) A.第一个 B.第二个 C.第三个 D.第四个 9)下面哪个不属于数据的属性类型：(D) A.标称 B.序数 C.区间 D.相异 10)只有非零值才重要的二元属性被称作：( C ) A.计数属性 B.离散属性 C.非对称的二元属性 D.对称属性 11)以下哪种方法不属于特征选择的标准方法： (D) A.嵌入 B.过滤 C.包装 D.抽样 12)下面不属于创建新属性的相关方法的是： (B) A.特征提取 B.特征修改 C.映射数据到新的空间 D.特征构造 13)下面哪个属于映射数据到新的空间的方法？ (A) A.傅立叶变换 B.特征加权 C.渐进抽样 D.维归约 14)假设属性income的最大最小值分别是12000元和98000元。利用最大最小规范化的方 法将属性的值映射到0至1的范围内。对属性income的73600元将被转化为：(D) A.0.821 B.1.224 C.1.458 D.0.716 15)一所大学内的各年纪人数分别为：一年级200人，二年级160人，三年级130人，四年 级110人。则年级属性的众数是： (A) A.一年级 B.二年级 C.三年级 D.四年级
数据挖掘研究现状综述
数据挖掘 引言 数据挖掘是一门交叉学科，涉及到了机器学习、模式识别、归纳推理、统计学、数据库、高性能计算等多个领域。 所谓的数据挖掘（Data Mining）指的就是从大量的、模糊的、不完全的、随机的数据集合中提取人们感兴趣的知识和信息，提取的对象一般都是人们无法直观的从数据中得出但又有潜在作用的信息。从本质上来说，数据挖掘是在对数据全面了解认识的基础之上进行的一次升华，是对数据的抽象和概括。如果把数据比作矿产资源，那么数据挖掘就是从矿产中提取矿石的过程。与经过数据挖掘之后的数据信息相比，原始的数据信息可以是结构化的，数据库中的数据，也可以是半结构化的，如文本、图像数据。从原始数据中发现知识的方法可以是数学方法也可以是演绎、归纳法。被发现的知识可以用来进行信息管理、查询优化、决策支持等。而数据挖掘是对这一过程的一个综合性应用。
目录 引言 (1) 第一章绪论 (3) 1.1 数据挖掘技术的任务 (3) 1.2 数据挖掘技术的研究现状及发展方向 (3) 第二章数据挖掘理论与相关技术 (5) 2.1数据挖掘的基本流程 (5) 2.2.1 关联规则挖掘 (6) 2.2.2 .Apriori算法：使用候选项集找频繁项集 (7) 2.2.3 .FP-树频集算法 (7) 2.2.4.基于划分的算法 (7) 2.3 聚类分析 (7) 2.3.1 聚类算法的任务 (7) 2.3.3 COBWEB算法 (9) 2.3.4模糊聚类算法 (9) 2.3.5 聚类分析的应用 (10) 第三章数据分析 (11) 第四章结论与心得 (14) 4.1 结果分析 (14) 4.2 问题分析 (14) 4.2.1数据挖掘面临的问题 (14) 4.2.2 实验心得及实验过程中遇到的问题分析 (14) 参考文献 (14)
总结报告-数据挖掘技术论文开题报告 精品
数据挖掘技术论文开题报告 毕业都是需要进行论文的写作，数据挖掘技术论文的开题报告怎么写？下面是数据挖 掘技术论文开题报告，欢迎阅读！ 数据挖掘技术综述 数据挖掘（Data Mining）是一项较新的数据库技术，它基于由日常积累的大量数据所 构成的数据库，从中发现潜在的、有价值的信息——称为知识，用于支持决策。数据 挖掘是一项数据库应用技术，本文首先对数据挖掘进行概述，阐明什么是数据挖掘， 数据挖掘的技术是什么，然后介绍数据挖掘的常用技术，数据挖掘的主要过程, 如何 进行数据挖掘,主要应用领域以及国内外现状分析。 一. 研究背景及意义 近十几年来，随着数据库系统的广泛流行以及计算机技术的快速发展，人们利用信息 技术生产和搜集数据的能力大幅度提高。千万个数据库被用于商业管理、政府办公、 科学研究和工程开发等，特别是网络系统的流行，使得信息爆炸性增长。这一趋势将 持续发展下去。大量信息在给人们带来方便的同时也带来了一大堆的问题：第一是信 息过量，难以消化；第二是信息真假难以辨认；第三是信息安全难以保证；第四是信 息形式不一致，难以统一处理。面对这种状况，一个新的挑战被提出来：如何才能不 被信息的汪洋大海所淹没，从中及时发现有用的知识，提高信息利用率呢？这时出现 了新的技术——数据挖掘（Data Mining）技术便应用而生了。 面对海量的存储数据，如何从中发现有价值的信息或知识，成为一项非常艰巨的任务。数据挖掘就是为迎合这种要求而产生并迅速发展起来的。数据挖掘研究的目的主要是 发现知识、使数据可视化、纠正数据。 二. 概述 1，数据挖掘 数据挖掘(Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。这些 数据可以是结构化的,如关系数据库中的数据，也可以是半结构化的，如文本，图形， 图像数据，甚至是分布在网络上的异构型数据。发现知识的方法可以是数学的，也可 以是非数学的，可以是演绎的，也可以是归纳的。发现了的知识可以被用于信息管理、查询优化、决策支持、过程控制等，还可以进行 数据自身的维护。数据挖掘借助了多年来数理统计技术和人工智能以及知识工程等领 域的研究成果构建自己的理论体系，是一个交叉学科领域，可以集成数据数据库、人 工智能、数理统计、可视化、并行计算等技术。 2，数据挖掘技术
大数据时代的数据挖掘
大数据时代的数据挖掘 大数据是2012的时髦词汇，正受到越来越多人的关注和谈论。大数据之所以受到人们的关注和谈论，是因为隐藏在大数据后面超千亿美元的市场机会。 大数据时代，数据挖掘是最关键的工作。以下内容供个人学习用，感兴趣的朋友可以看一下。 智库百科是这样描述数据挖掘的“数据挖掘又称数据库中的知识发现，是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。 数据挖掘的定义 技术上的定义及含义 数据挖掘（Data Mining ）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。这个定义包括好几层含义：数据源必须是真实的、大量的、含噪声的；发现的是用户感兴趣的知识；发现的知识要可接受、可理解、可运用；并不要求发现放之四海皆准的知识，仅支持特定的发现问题。 与数据挖掘相近的同义词有数据融合、人工智能、商务智能、模式识别、机器学习、知识发现、数据分析和决策支持等。 ----何为知识从广义上理解，数据、信息也是知识的表现形式，但是人们更把概念、规则、模式、规律和约束等看作知识。人们把数据看作是形成知识的源泉，好像从矿石中采矿或淘金一样。原始数据可以是结构化的，如关系数据库中的数据；也可以是半结构化的，如文本、图形和图像数据；甚至是分布在网络上的异构型数据。发现知识的方法可以是数学的，也可以是非数学的；可以是演绎的，也可以是归纳的。发现的知识可以被用于信息管理，查询优化，决策支持和过程控制等，还可以用于数据自身的维护。因此，数据挖掘是一门交叉学科，它把人们对数据的应用从低层次的简单查询，提升到从数据中挖掘知识，提供决策支持。在这种需求牵引下，汇聚了不同领域的研究者，尤其是数据库技术、人工智能技术、数理统计、可视化技术、并行计算等方面的学者和工程技术人员，投身到数据挖掘这一新兴的研究领域，形成新的技术热点。 这里所说的知识发现，不是要求发现放之四海而皆准的真理，也不是要去发现崭新的自然科学定理和纯数学公式，更不是什么机器定理证明。实际上，所有发现的知识都是相对的，是有特定前提和约束条件，面向特定领域的，同时还要能够易于被用户理解。最好能用自然语言表达所发现的结果。n x _s u x i a n g n i n g
文献综述_数据挖掘
数据挖掘简介 数据挖掘的任务 数据挖掘的任务就是从实例集合中找出容易理解的规则和关系。这些规则可以用于预测未来趋势、评价顾客、评估风险或简单地描述和解释给定的数据。通常数据挖掘的任务包括以下几个部分: 数据总结目的是对数据进行浓缩，给出它的紧凑描述。传统的也是最简单的数据总结方法是计算出数据库的各个字段上的求和值、平均值、方差值等统计值，或者用直方图、饼图等图形方式表示。数据挖掘主要关心从数据泛化的角度来讨论数据总结。数据泛化是一种把数据库中的有关数据从低层次抽象到高层次上的过程。数据泛化目前主要有两种技术:多维数据分析方法和面向属性的归纳方法。 多维数据分析方法是一种数据仓库技术，也称作联机分析处理(OLAP，onLineAnalysisProeess)。数据仓库是面向决策支持的、集成的、稳定的、不同时间的历史数据集合。决策的前提是数据分析。在数据分析中经常要用到诸如求和、总计、平均、最大、最小等汇集操作，这类操作的计算量特别大。因此一种很自然的想法是，把汇集操作结果预先计算并存储起来，以便于决策支持系统使用。存储汇集操作结果的地方称作多维数据库。多维数据分析技术已经在决策支持系统中获得了成功的应用，如著名的SAS数据分析软件包、Businessobject公司的决策支持系统Businessobjeet，以及IBM公司的决策分析工具都使用了多维数据分析技术。 采用多维数据分析方法进行数据总结，它针对的是数据仓库，数据仓库存储的是脱机的历史数据。为了处理联机数据，研究人员提出了一种面向属性的归纳方法。它的思路是，直接对用户感兴趣的数据视图(用一般的SQL查询语言即可获得)进行泛化，而不是像多维数据分析方法那样预先就存储好了泛化数据。方法的提出者对这种数据泛化技术称之为面向属性的归纳方法。原始关系经过泛化操作后得到的是一个泛化关系，它从较高的层次上总结了在低层次上的原始关系。有了泛化关系后，就可以对它进行各种深入的操作而生成满足用户需要的知识，如在泛化关系基础上生成特性规则、判别规则、分类规则，以及关联规则等。数据挖掘的分类 数据挖掘所能发现的知识有如下几种: .广义型知识，反映同类事物共同性质的知识; .特征型知识，反映事物各方面的特征知识; .差异型知识，反映不同事物之间属性差别的知识; .关联型知识，反映事物之间依赖或关联的知识; .预测型知识，根据历史的和当前的数据推测未来数据; .偏离型知识。揭示事物偏离常规的异常现象。 所有这些知识都可以在不同的概念层次上被发现，随着概念树的提升，从微观到中观再到宏观，以满足不同用户、不同层次决策的需要。例如，从一家超市的数据仓库中，可以发现的一条典型关联规则可能是“买面包和黄油的顾客十有八九也买牛奶”，也可能是“买食品的顾客几乎都用信用卡”，这种规则对于商家开发和实施客户化的销售计划和策略是非常有用的。 数据挖掘的方法 数据挖掘并非一个完全自动化的过程。整个过程需要考虑数据的所有因素和其预定的效用，然后应用最佳的数据挖掘方法。数据挖掘的方法很重要。在数据挖掘的领域里.有一点已经被广泛地接受，即不管你选择哪种方法，总存在着某种协定。因此对实际情况，应该具体分析，根据累积的经验和优秀的范例选择最佳的方法。数据挖掘中没有免费的午餐，也没
模糊数学在数据挖掘领域综述
模糊数学在数据挖掘研究综述 一、模糊数学 关于数学的分类，根据所研究对象的确定性可以分为经典数学、随机数学以及模糊数学。三者的关系如图1所示。经典数学建立在集合论的基础上，一个对象对于一个集合要么属于，要么不属于，两者必居其一，且仅居其一，绝不可模棱两可，由于这个要求，大大限制了数学的应用范围，使它无法处理日常生活中大量的不明确的模糊现象与概念。随着发展,过去那些与数学毫无关系或关系不大的学科如生物学，心理学，等都迫切要求定量化和数学化。 图1依照研究对象是否确定的数学分类 在日常生活中，我们经常会遇到一些模糊不清的概念。例如，“高个子”、“矮个子”等。如果把1.80米的人算高个子，那么，身高1.76米的人算不算高个子呢？这就很难说，因为“高个子”，“矮个子”并没有二者明确的标准，因而这些概念就显得模糊不清。为了适应这些学科自身的特点，只有通过改造数学，使它应用的面更为广泛。模糊数学就是研究事物这种模糊性质的一门数学学科。 模糊数学诞生于1965年，创始人是美国自动控制专家查德，他最早提出了模糊集合的概念，引入了隶属函数。自诞生之日起，就与电子计算机息息相关。今天精确的数学计算当然是不可少的，然而，当我们要求脑功能的时候，精确这个长处反而成了短处。例如，我们在判别走过的人是谁时，总是将来人的高矮，胖瘦、走路姿势与大脑存储的样子进行比较，从而作出判断。一般说来，这不是件难事，即使是分别多年的老友，也会很快地认出他来，但是若让计算机做这件事，使用精确数学就太复杂了。得测量来人的身高、体重、手臂摆的角度以及鞋底对地面的正压力、磨擦力、速度、加速度等数据，而且非要精确到后几十位才肯罢休。如果有位熟人最近稍为瘦了或胖了一些，计算机就“翻脸不认了”。显然，这样的“精确”容易使人糊涂。由此可见，要使计算机能模拟人功能，一定程度的模糊是必要的。模糊数学就是在这样的背景下诞生的。 随机数学与模糊数学都是对不确定性量的研究，但与模糊数学不同的是，随机数学是研究随机现象统计规律性的一个数学分支，涉及四个主要部分：概率论、随机过程、数理统计、随机运筹。随机数学更强调对数据的统计规律；而模糊数学强调的是变量的定义的模糊性。 模糊数学是一门新兴学科，过去那些与数学毫不相关或关系不大的学科（如生物学、心理学、语言学、社会科学等）都有可能用定量化和数学化加以描述和处理，从而使数学的应用范围大大扩展。它已初步应用于模糊控制、模糊识别、模糊聚类分析、模糊决策、模糊评判、系统理论、信息检索、医学、生物学等各个方面，并且在气象、结构力学、控制、心理学等方面已有具体的研究成果。模糊数学最重要的应用领域是计算机职能，它与新一代计算机的研制有密切的联系。 二、模糊计算
大数据时代的空间数据挖掘综述
第37卷第7期测绘与空间地理信息 GEOMATICS ＆SPATIAL INFOＲMATION TECHNOLOGY Vol．37，No．7收稿日期：2014－01－22 作者简介：马宏斌（1982－），男，甘肃天水人，作战环境学专业博士研究生，主要研究方向为地理空间信息服务。 大数据时代的空间数据挖掘综述 马宏斌1 ，王 柯1，马团学 2（1．信息工程大学地理空间信息学院，河南郑州450000；2．空降兵研究所，湖北孝感432000） 摘 要：随着大数据时代的到来，数据挖掘技术再度受到人们关注。本文回顾了传统空间数据挖掘面临的问题， 介绍了国内外研究中利用大数据处理工具和云计算技术，在空间数据的存储、管理和挖掘算法等方面的做法，并指出了该类研究存在的不足。最后，探讨了空间数据挖掘的发展趋势。关键词：大数据；空间数据挖掘；云计算中图分类号：P208 文献标识码：B 文章编号：1672－5867（2014）07－0019－04 Spatial Data Mining Big Data Era Ｒeview MA Hong －bin 1，WANG Ke 1，MA Tuan －xue 2 （1．Geospatial Information Institute ，Information Engineering University ，Zhengzhou 450000，China ； 2．Airborne Institute ，Xiaogan 432000，China ） Abstract ：In the era of Big Data ，more and more researchers begin to show interest in data mining techniques again．The paper review most unresolved problems left by traditional spatial data mining at first．And ，some progress made by researches using Big Data and Cloud Computing technology is introduced．Also ，their drawbacks are mentioned．Finally ，future trend of spatial data mining is dis-cussed． Key words ：big data ；spatial data mining ；cloud computing 0引言 随着地理空间信息技术的飞速发展，获取数据的手 段和途径都得到极大丰富，传感器的精度得到提高和时空覆盖范围得以扩大，数据量也随之激增。用于采集空间数据的可能是雷达、红外、光电、卫星、多光谱仪、数码相机、成像光谱仪、全站仪、天文望远镜、电视摄像、电子 显微镜、CT 成像等各种宏观与微观传感器或设备，也可能是常规的野外测量、人口普查、土地资源调查、地图扫描、 地图数字化、统计图表等空间数据获取手段，还可能是来自计算机、 网络、GPS ，ＲS 和GIS 等技术应用和分析空间数据。特别是近些年来，个人使用的、携带的各种传感器（重力感应器、电子罗盘、三轴陀螺仪、光线距离感应器、温度传感器、红外线传感器等），具备定位功能电子设备的普及，如智能手机、平板电脑、可穿戴设备（GOOGLE GLASS 和智能手表等），使人们在日常生活中产生了大量具有位置信息的数据。随着志愿者地理信息（Volunteer Geographic Information ）的出现，使这些普通民众也加入到了提供数据者的行列。 以上各种获取手段和途径的汇集，就使每天获取的 数据增长量达到GB 级、 TB 级乃至PB 级。如中国遥感卫星地面站现在保存的对地观测卫星数据资料达260TB ，并以每年15TB 的数据量增长。比如2011年退役的Landsat5卫星在其29年的在轨工作期间，平均每年获取8．6万景影像，每天获取67GB 的观测数据。而2012年发射的资源三号（ZY3）卫星，每天的观测数据获取量可以达到10TB 以上。类似的传感器现在已经大量部署在卫 星、 飞机等飞行平台上，未来10年，全球天空、地空间部署的百万计传感器每天获取的观测数据将超过10PB 。这预示着一个时代的到来，那就是大数据时代。大数据具有 “4V ”特性，即数据体量大（Volume ）、数据来源和类型繁多（Variety ）、数据的真实性难以保证（Veracity ）、数据增加和变化的速度快（Velocity ）。对地观测的系统如图1所示。 在这些数据中，与空间位置相关的数据占了绝大多数。传统的空间知识发现的科研模式在大数据情境下已经不再适用，原因是传统的科研模型不具有普适性且支持的数据量受限， 受到数据传输、存储及时效性需求的制约等。为了从存储在分布方式、虚拟化的数据中心获取信息或知识，这就需要利用强有力的数据分析工具来将
医疗大数据分析报告
大数据的意义在于提供“大见解”：从不同来源收集信息，然后分析信息，以揭示用其他方法发现不了的趋势。在利用大数据发掘价值的所有行业中，医疗行业有可能实现最大的回报。凭借大数据，医疗服务提供商不仅可以知道如何提高盈利水平和经营效率，还能找到直接增进人类福祉的趋势。以下是大数据在医疗行业的一些常见用途，包括商业运作和健康管理： 1.分析电子病历：医生共享电子病历可以收集和分析数据，寻找能够降低医疗成本的方法。 医生和医疗服务提供商之间共享患者数据，能够减少重复检查，改善患者体验。但目前，大部分的电子病历都无法共享，这在很大程度上是出于安全和合规的考虑，但找到一个安全的方法来挖掘患者数据，这能改善医护质量并降低医疗成本。 关键词：患者数据共享、信息安全、提高医疗质量、降低医疗成本 2.分析医院网络系统：不妨想想我们在分析入院治疗的趋势时获得的好处。例如，对儿科 病房医疗设备的统合分析可以更早地识别潜在的婴儿感染趋势。或者，再想想减少术后葡萄球菌感染的好处。通过利用大数据，医院可以知道，医生在术后开的抗生素能否有效地防止感染。 关键词：入院治疗趋势分析 3.管理数据用于公共健康研究：医务人员会被铺天盖地的数据所淹没。诊所和医院会提交 关于健康状况和免疫接种的数据，但没有大数据的话，这些数据毫无意义。大数据分析能够对患者的原始数据进行标准化整合，用以充实公共健康记录，而丰富多样的公共健康记录能催生更合理的法规，并提供更好的医疗。 关键词: 公共健康记录、患者数据 4.循证医学：大多数医院和急诊室都实行“食谱化医学”，也就是说，医生对收治的病人 采用同一套检查项目来确定病因。而利用循证医学，医生可以将病人的症状与庞大的患者数据库进行比对，从而更快地做出准确诊断。在这里，大数据扮演的角色是从不同来源采集信息，并对数据实施标准化。在这种情况下，带有“高血压”的记录就可以映射到另一条带有“血压升高”的记录。 关键词：循证、患者数据库
大数据处理技术的总结与分析
数据分析处理需求分类 1 事务型处理 在我们实际生活中,事务型数据处理需求非常常见,例如：淘宝网站交易系统、1２306网站火车票交易系统、超市ＰOＳ系统等都属于事务型数据处理系统。这类系统数据处理特点包括以下几点: 一就是事务处理型操作都就是细粒度操作,每次事务处理涉及数据量都很小。 二就是计算相对简单，一般只有少数几步操作组成，比如修改某行得某列; 三就是事务型处理操作涉及数据得增、删、改、查,对事务完整性与数据一致性要求非常高。 四就是事务性操作都就是实时交互式操作,至少能在几秒内执行完成； 五就是基于以上特点,索引就是支撑事务型处理一个非常重要得技术. 在数据量与并发交易量不大情况下,一般依托单机版关系型数据库,例如OＲＡＣLＥ、MＹSQL、SQＬSERVER,再加数据复制（DataGurａd、RＭAＮ、ＭｙSQＬ数据复制等)等高可用措施即可满足业务需求。 在数据量与并发交易量增加情况下，一般可以采用ORＡLＣＥRAC集群方式或者就是通过硬件升级（采用小型机、大型机等，如银行系统、运营商计费系统、证卷系统)来支撑. 事务型操作在淘宝、1230６等互联网企业中,由于数据量大、访问并发量高，必然采用分布式技术来应对,这样就带来了分布式事务处理问题，而分布式事务处理很难做到高效，因此一般采用根据业务应用特点来开发专用得系统来解决本问题。
２数据统计分析 数据统计主要就是被各类企业通过分析自己得销售记录等企业日常得运营数据,以辅助企业管理层来进行运营决策。典型得使用场景有:周报表、月报表等固定时间提供给领导得各类统计报表;市场营销部门,通过各种维度组合进行统计分析,以制定相应得营销策略等． 数据统计分析特点包括以下几点: 一就是数据统计一般涉及大量数据得聚合运算，每次统计涉及数据量会比较大。二就是数据统计分析计算相对复杂，例如会涉及大量goｕpbｙ、子查询、嵌套查询、窗口函数、聚合函数、排序等；有些复杂统计可能需要编写ＳQＬ脚本才能实现． 三就是数据统计分析实时性相对没有事务型操作要求高。但除固定报表外,目前越来越多得用户希望能做做到交互式实时统计； 传统得数据统计分析主要采用基于ＭＰP并行数据库得数据仓库技术.主要采用维度模型,通过预计算等方法，把数据整理成适合统计分析得结构来实现高性能得数据统计分析，以支持可以通过下钻与上卷操作,实现各种维度组合以及各种粒度得统计分析。 另外目前在数据统计分析领域,为了满足交互式统计分析需求，基于内存计算得数据库仓库系统也成为一个发展趋势,例如SAP得HANA平台。 3 数据挖掘 数据挖掘主要就是根据商业目标，采用数据挖掘算法自动从海量数据中发现隐含在海量数据中得规律与知识。
数据挖掘课程论文综述
海南大学 数据挖掘论文 题目：股票交易日线数据挖掘 学号：20100602310002 姓名： 专业：10信管 指导老师： 分数：
目录 目录 (2) 1. 数据挖掘目的 (3) 2.相关基础知识 (3) 2.1 股票基础知识 (3) 2.2 数据挖掘基础知识 (4) 2.2.2数据挖掘的任务 (5) 3.数据挖掘方案 (6) 3.1. 数据挖掘软件简介 (6) 3.2. 股票数据选择 (7) 3.3. 待验证的股票规律 (7) 4. 数据挖掘流 (8) 4.1数据挖掘流图 (8) 4.2规律验证 (9) 4.2.2规律2验证 (10) 4.2.3规律三验证 (12) 4.3主要节点说明 (14) 5.小结 (15)
1.数据挖掘目的 数据挖掘的目的就是得出隐藏在数据中的有价值的信息，发现数据之间的内在联系与规律。对于本次数据挖掘来说，其目的就是学会用clementine对股票的历史数据进行挖掘，通过数据的分析，找出存在股票历史数据中的规律，或者验证已存在的股票规律。同时也加深自己对股票知识的了解和对clementine软件的应用能力。为人们决策提供指导性信息，为公司找出其中的客户为公司带来利润的规律，如二八原则、啤酒与尿布的现象等。 2.相关基础知识 2.1 股票基础知识 2.1.1 股票 是一种有价证券，是股份公司在筹集资本时向出资人公开或私下发行的、用以证明出资人的股本身份和权利，并根据持有人所持有的股份数享有权益和承担义务的凭证。股票代表着其持有人（股东）对股份公司的所有权，每一股同类型股票所代表的公司所有权是相等的，即“同股同权”。股票可以公开上市，也可以不上市。在股票市场上，股票也是投资和投机的对象。对股票的某些投机炒作行为，例如无货沽空，可以造成金融市场的动荡。 2.1.2 开盘价 开盘价又称开市价，是指某种证券在证券交易所每个交易日开市后的第一笔买卖成交价格。世界上大多数证券交易所都采用成交额最大原则来确定开盘价。 2.1.3 收盘价 收盘价是指某种证券在证券交易所一天交易活动结束前最后一笔交易的成交价格。如当日没有成交，则采用最近一次的成交价格作为收盘价，因为收盘价是当日行情的标准，又是下一个交易日开盘价的依据，可据以预测未来证券市场行情；所以投资者对行情分析时，一般采用收盘价作为计算依据。
数据挖掘文献综述
湘潭大学 本科生专业文献综述 题目: 数据挖掘文献综述 姓名: 林勇 学院: 信心工程学院学院 专业: 自动化 班级: 一班 学号: 2010550113 指导教师: 张莹
0前言 随着计算机技术的迅猛发展，人类正在步入信息社会。面对今天浩如烟海的信息，如何帮助人们有效地收集和选择所感兴趣的信息，更关键的是如何帮助用户在日益增多的信息中自动发现新的概念并自动分析它们之间的关系，使之能够真正地做到信息处理的自动化，这已成为信息技术领域的热点问题。数据挖掘就是为满足这种要求而产生并迅速发展起来的，可用于开发信息资源的一种新的数据处理技术。 1什么是数据挖掘 数据挖掘(Data Mining)，也叫数据开采，数据采掘等，是按照既定的业务目标从海量数据中提取出潜在、有效并能被人理解的模式的高级处理过程。在较浅的层次上，它利用现有数据库管理系统的查询、检索及报表功能，与多维分析、统计分析方法相结合，进行联机分析处理，从而得出可供决策参考的统计分析数据。在深层次上，则从数据库中发现前所未有的、隐含的知识。OLAF'的出现早于数据挖掘，它们都是从数据库中抽取有用信息的方法，就决策支持的需要而言两者是相辅相成的。OLAP可以看作一种广义的数据挖掘方法，它旨在简化和支持联机分析，而数据挖掘的目的是便这一过程尽可能自动化。数据挖掘基于的数据库类型主要有：关系型数据库、面向对象数据库、事务数据库、演绎数据库、时态数据库、多媒体数据库、主动数据库、空间数据库、遗留数据库、异质数据库、文本型、Internet信息库以及新兴的数据仓库(Data Warehouse)等。而挖掘后获得的知识包括关联规则、特征规则、区分规则、分类规则、总结规则、偏差规则、聚类规则、模式分析及趋势分析等。 1.1 数据挖掘的任务 数据挖掘的两个高层目标是预测和描述。前者指用一些变量或数据库的若干已知字段预测其它感兴趣的变量或字段的未知的或未来的值；后者指找到描述数据的可理解模式。根据发现知识的不同，我们可以将数据挖掘任务归纳为以下几类： (1)特征规则。从与学习任务相关的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征．例如可以从某种疾病的症状中提取
可视化空间数据挖掘研究综述
可视化空间数据挖掘研究综述 贾泽露1，2 刘耀林2 （1. 河南理工大学测绘与国土信息工程学院，焦作，454000；2. 武汉大学资源与环境科学学院，武汉，430079）摘要：空间数据挖掘针对的是更具有可视化要求的地理空间数据的知识发现过程，可视化能提供同用户对空间目标心理认知过程相适应的信息表现和分析环境，可视化与空间数据挖掘的结合是该领域研究发展的必然，并已成为一个研究热点。论文综述了空间数据挖掘和可视化的研究现状，重点阐述了空间数据挖掘中的可视化化技术及其应用，并对可视化空间数据挖掘的发展趋势进行了阐述。 关键词：数据挖掘；空间数据挖掘；数据可视化；信息可视化；GIS； 空间信息获取技术的飞速发展和各种应用的广泛深入，多分辨率、多时态空间信息大量涌现，以及与之紧密相关的非空间数据的日益丰富，对海量空间信息的综合应用和处理技术提出了新的挑战，要求越来越高。空间数据挖掘技术作为一种高效处理海量地学空间数据、提高地学分析自动化和智能化水平、解决地学领域“数据爆炸、知识贫乏”问题的有效手段，已发展成为空间信息处理的关键技术。然而，传统数据挖掘“黑箱”作业过程使得用户只能被动地接受挖掘结果。可视化技术能为数据挖掘提供直观的数据输入、输出和挖掘过程的交互探索分析手段，提供在人的感知力、洞察力、判断力参与下的数据挖掘手段，从而大大地弥补了传统数据挖掘过程“黑箱”作业的缺点，同时也大大弥补了GIS重“显示数据对象”轻“刻画信息结构”的弱点，有力地提高空间数据挖掘进程的效率和结果的可信度[1]。空间数据挖掘中可视化技术已由数据的空间展现逐步发展成为表现数据内在复杂结构、关系和规律的技术，由静态空间关系的可视化发展到表示系统演变过程的可视化。可视化方法不仅用于数据的理解，而且用于空间知识的呈现。可视化与空间数据挖掘的结合己成为必然，并已形成了当前空间数据挖掘1与知识发现的一个新的研究热点——可视化空间数据挖掘(Visual Spatial Data Mining，VSDM)。VSDM技术将打破传统数据挖掘算法的“封闭性”，充分利用各式各样的数据可视化技术，以一种完全开放、互动的方式支持用户结合自身专业背景参与到数据挖掘的全过程中，从而提高数据挖掘的有效性和可靠性。本文将对空间数据挖掘、可视化的研究概况，以及可视化在空间数据挖掘中的应用进行概括性回顾总结，并对未来发展趋势进行探讨。 一、空间数据挖掘研究概述 1.1 空间数据挖掘的诞生及发展 1989年8月，在美国底特律市召开的第一届国际联合人工智能学术会议上，从事数据库、人工智能、数理统计和可视化等技术的学者们，首次出现了从数据库中发现知识(knowledge discovery in database，KDD)的概念，标志着数据挖掘技术的诞生[1]。此时的数据挖掘针对的 作者1简介：贾泽露（1977,6－），男，土家族，湖北巴东人，讲师，博士，主要从事空间数据挖掘、可视化、土地信息系统智能化及GIS理论、方法与应用的研究和教学工作。 作者2简介：刘耀林(1960,9- ),男，汉族，湖北黄冈人，教授，博士，博士生导师，武汉大学资源与环境科学学院院长，现从事地理信息系统的理论、方法和应用研究和教学工作。
数据挖掘综述
数据挖掘综述 1、产生背景 随着计算机的产生和大量数字化的存储方法的出现，我们借助计算机来收集和分类各种数据资料，但是不同存储结构存放的大量数据集合很快被淹没，便导致了结构化数据库以及DBMS的产生。 但是随着信息时代的到来，信息量远远超过了我们所能处理的范围，从商业交易数据、科学资料到卫星图片、文本报告和军事情报，以及生活中各种信息，这也就是“数据爆炸但知识贫乏”的网络时代，面对巨大的数据资料，出现了新的需求，希望能够更好的利用这些数据，进行更高层次的分析，从这些巨大的数据中提取出对我们有意义的数据，这就是知识发现（KDD,Knowledge Discovery in Databases），数据挖掘应运而生。 2、数据库系统技术的演变 1）20世纪60年代和更早 这个时期是数据收集和数据库创建的过程，原始文件的处理2）20世纪70年代---80年代初期 有层次性数据库、网状数据库、关系数据库系统 3）20世纪80年代中期—现在 高级数据库系统，可以应用在空间、时间的、多媒体的、主动的、流的和传感器的、科学的和工程的。 4）20世纪80年代后期—现在
高级数据分析：数据仓库和数据挖掘 5）20世纪90年代—现在 基于web的数据库，与信息检索和数据信息的集成6）现在---将来 新一代的集成数据域信息系统 3、数据挖掘概念 数据挖掘（Data Mining），就是从大量数据中获取有效的、新颖的、潜在的有用的，最终可以理解的模式的非平凡过程。数据挖掘，又称为数据库中知识发现（KDD,Knowledge Discovery in Databases），也有人把数据挖掘作为数据库中知识发现过程的一个基本步骤。 数据挖掘基于的数据库类型主要有：关系型数据库、面向对象数据库、事务数据库、演绎数据库、时态数据库、多媒体数据库、主动数据库、空间数据库、遗留数据库、异质数据库、文本型、Internet信息库以及新兴的数据仓库等。 4、数据挖掘特点和任务 4.1数据挖掘具有以下几个特点： 1）处理的数据规模十分庞大，达到GB,TB数量级，甚至更大2）查询一般是决策制定者（用户）提出的即时随机查询，往往不能形成精确的查询要求，需要靠系统本身寻找其可能感兴 趣的东西。 3）在一些应用（如商业投资等）中，由于数据变化迅速，因此
大数据分析及其在医疗领域中的应用-图文(精)
第７期 ２４ ２０１４年４月１０日 计算机教育 ＣｏｍｐｕｔｅｒＥｄｕｃａｔｉｏｎ ◆新视点 文章编号：１６７２．５９１３（２０１４）０７—００２４－０６ 中图分类号：Ｇ６４２ 大数据分析及其在医疗领域中的应用 邹北骥 （中南大学信息科学与工程学院，湖南长沙４１００８３） 摘要：互联网和物联网技术的快速发展给数据的上传与下载带来了前所未有的便利，使得互联网上 的数据量急剧增长，由此产生了针对大数据的存储、计算、分析、处理等新问题，尤其是对大数据的挖掘。文章分析当前大数据产生的背景，阐述大数据的基本特征及其应用，结合医疗领域，论述医疗 大数据分析的目的、意义和主要方法。 关键词：大数据；物联网；医疗；大数据挖掘 １ 大数据早已存在，为何现在称之为大
数据时代 计算与数据是一对孪生姐妹，计算需要数据，数据通过计算产生新的价值。数据是客观事 物的定量表达，来自于客观世界并早已存在。例 如，半个世纪前，全球的人口数量就有数十亿，与之相关的数据就是大数据；但是在那个时代，由于技术的局限性，大数据的采集、存储和处理 还难以实现。 互联网时代之前，采集世界各地的数据并让它们快速地进入计算系统几乎是一件不可想象的 事情。２０世纪８０年代兴起的互联网技术在近３０ 年里发生了翻天覆地的变化，彻底地改变了人们的工作和生活方式【ｌ】。通过互联网人们不仅可以下载到新闻、小说、论文等各类文字数据，而且可以轻而易举地下载到音乐、图像和视频等多媒体数据，这使得互联网上的数据流量急剧增长。据统计，现在互联网上每分钟流人流出的数 据量达到１ ０００ ＰＢ，即１０亿 ＧＢｔ２１。 推动大数据产生的另一个重要因素是物联网技术。近几年发展起来的物联网技 术通过给每个物品贴上标签 并应用ＲＦＩＤ等技术实现了
数据挖掘中的软计算方法及应用综述
摘要文章对数据挖掘中软计算方法及应用作了综述。对模糊逻辑、遗传算法、神经网络、粗集等软计算方法，以及它们的混合算法的特点进行了分析，并对它们在数据挖掘中的应用进行了分类。 关键词数据挖掘；软计算；模糊逻辑；遗传算法；神经网络；粗集 1 引言 在过去的数十年中，随着计算机软件和硬件的发展，我们产生和收集数据的能力已经迅速提高。许多领域的大量数据集中或分布的存储在数据库中[1][2]，这些领域包括商业、金融投资业、生产制造业、医疗卫生、科学研究，以及全球信息系统的万维网。数据存储量的增长速度是惊人的。大量的、未加工的数据很难直接产生效益。这些数据的真正价值在于从中找出有用的信息以供决策支持。在许多领域，数据分析都采用传统的手工处理方法。一些分析软件在统计技术的帮助下可将数据汇总，并生成报表。随着数据量和多维数据的进一步增加，高达109的数据库和103的多维数据库已越来越普遍。没有强有力的工具，理解它们已经远远超出了人的能力。所有这些显示我们需要智能的数据分析工具，从大量的数据中发现有用的知识。数据挖掘技术应运而生。 数据挖掘就是指从数据库中发现知识的过程。包括存储和处理数据，选择处理大量数据集的算法、解释结果、使结果可视化。整个过程中支持人机交互的模式[3]。数据挖掘从许多交叉学科中得到发展，并有很好的前景。这些学科包括数据库技术、机器学习、人工智能、模式识别、统计学、模糊推理、专家系统、数据可视化、空间数据分析和高性能计算等。数据挖掘综合以上领域的理论、算法和方法，已成功应用在超市、金融、银行[4]、生产企业 [5]和电信，并有很好的表现。 软计算是能够处理现实环境中一种或多种复杂信息的方法集合。软计算的指导原则是开发利用那些不精确性、不确定性和部分真实数据的容忍技术，以获得易处理、鲁棒性好、低求解成本和更好地与实际融合的性能。通常，软计算试图寻找对精确的或不精确表述问题的近似解[6]。它是创建计算智能系统的有效工具。软计算包括模糊集、神经网络、遗传算法和粗集理论。 2 数据挖掘中的软计算方法 目前，已有多种软计算方法被应用于数据挖掘系统中，来处理一些具有挑战性的问题。软计算方法主要包括模糊逻辑、神经网络、遗传算法和粗糙集等。这些方法各具优势，它们是互补的而非竞争的，与传统的数据分析技术相比，它能使系统更加智能化，有更好的可理解性，且成本更低。下面主要对各种软计算方法及其混合算法做系统性的阐述，并着重强调它们在数据挖掘中的应用情况。 2.1 模糊逻辑 模糊逻辑是1965年由泽德引入的，它为处理不确定和不精确的问题提供了一种数学工具。模糊逻辑是最早、应用最广泛的软计算方法，模糊集技术在数据挖掘领域也占有重要地位。从数据库中挖掘知识主要考虑的是发现有兴趣的模式并以简洁、可理解的方式描述出来。模糊集可以对系统中的数据进行约简和过滤，提供了在高抽象层处理的便利。同时，数据挖掘中的数据分析经常面对多种类型的数据，即符号数据和数字数据。nauck[7]研究了新的算法，可以从同时包含符号数据和数字数据中生成混合模糊规则。数据挖掘中模糊逻辑主要应用于以下几个方面： （1）聚类。将物理或抽象对象的集合分组成为由类似的对象组成的多个类的过程被称为聚类。聚类分析是一种重要的人类行为，通过聚类，人能够识别密集的和稀疏的区域，因而发现全局的分布模式，以及数据属性之间有趣的关系。模糊集有很强的搜索能力，它对发现的结构感兴趣，这会帮助发现定性或半定性数据的依赖度。在数据挖掘中，这种能力可以帮助
数据挖掘技术综述
2008年第6期牡丹江教育学院学报N o．6，2008 (总第112期)J ouR N A L oF M uD A N J I A N G co L L E G EoF E D ucA T I oN s e“aI N o．112 数据挖掘技术综述 高翔侯小静 (洛阳理工学院，河南洛阳471003) [摘要]在对数据仓库与数据挖掘的概念及数据挖掘的功用与分类进行介绍的基础上．阐述了串行关联规则算法和并行关联算法的目标与内容．详细分析了A pr i or i算法、神经网络、遗传算法等数据挖掘算法。 [关键词]数据挖掘f关联规则I apr i ori算法；神经网络l遗传算法 [中图分类号]T P31[文献标识码]A[文章编号]1009—2323(2008)06一0109一02 数据挖掘是信息技术自然进化的结果。自上世纪六十年代以来，信息技术已经从原始的文件处理发展到复杂的、功能强大的数据库系统。而数据仓库是近年来数据库研究领域中迅速发展起来的新技术。利用数据仓库技术可以将现实中的海量数据存放在异构的数据库中。 为了从数据中有效地提取和发现知识．需要对数据仓库中存储的数据进行“挖掘”。数据挖掘是从大量数据中抽取出未知的、有价值的模式或规律等知识的复杂过程。数据挖掘技术由数据清理、数据集成、数据选择、数据交换、数据挖掘、模式评估六个步骤组成。通过这六个步骤的提纯与处理向用户提供有价值的信息。数据挖掘提供的数据模式有概念描述、关联规则、分类与预测、聚类分析、异类分析、演化分析等六类。 1．数据仓库与数据挖掘 数据仓库系统在数据分析和决策方面为用户和“知识工人”提供服务。这种系统与传统的联机事务处理(0L TP)系统不同．它可以用不同的格式组织和提供数据，以满足不同用户的形形色色需求．这种系统称为联机分析处理(oL A P)系统。 数据仓库和oL A P工具均基于多维数据模型．这种模型可以以星形模式、雪花模式或事实星座模式等形式存在。星形模式是最常见的．其数据仓库包括一个大的、饱含大批数据、不含冗余的中心表(实事表)和一组附属表(维表)。在星形模式中．每维只用一个表表示，每个表包含一组属性；雪花模式是星形模式的变种，其中某些维表是规范化的，故而把数据进一步分解到附加的表中。雪花模式和星形模式的主要不同在于：雪花模式的维表可能是规范化形式．便于维护并节省存储空间，但是由于执行查询操作需要更多的连接操作，故而雪花结构可能降低浏览的性能导致系统性能也会受到一定影响。事实星座模式可以看作是多个星形模式的集合．需要多个事实表共享维表。 从结构的角度看．数据仓库模型分为企业仓库、数据集市和虚拟仓库。数据仓库和数据集市已在广泛的应用领域使用．从最初的应用于产生报告和回答预先定义的查询发展到现在已经用于知识发现，并使用数据挖掘工具进行决策。在这种意义下．数据仓库工具可以分为存取与检索工具、数据库报表工具、数据分析工具和数据挖掘工具。在此基础上信息处理与分析和数据挖掘的概念基本分离。数据挖掘不限于分析数据仓库中的数据．也可以分析事务的、文本的、空间的和多媒体数据。 数据挖掘所能发现的知识有如下几种：广义型知识，即反映同类事务共同性质的知识；特征型知识．即反映事务各方面的特征的知识；差异型知识。即反映不同事务之间属性差别的知识；关联型知识。即反映事务之间依赖或关联的知识；预测型知识，它根据历史和当前的数据推测未来数据l 偏离型知识，用于揭示事务偏离常规的异常现象。这些知识都可以在不同的概念层次上被发现，随着概念的提升．从微观到宏观．以满足不同用户、不同决策的需要。至于数据挖掘的工具和方法常用的有分类、聚类、减维、模式识别、可视化、决策树、遗传算法、不确定性处理等。 从l EE E t r ans ac t i or L s o n kno w I edge and da t a engi neer．i ng以及A C M SI G M O D I nt l．C onf．M a na gem e nt of D a t a 近年来的文献中可以看出．除了不断地提出一些新的挖掘技术外。大量的有关D M的文章集中讨论了如何提高D M 系统，尤其是关联规则挖掘的性能，这包括算法的有效性、可伸缩性和并行处理。另外，复杂数据类型挖掘已经是一个发展迅速的热点研究领域。复杂数据挖掘包括复杂数据对象的多维分析．空间数据挖掘，时序数据和其他与时间相关的数据挖掘、文本挖掘以及w eb挖掘等。 2．数据挖掘的关联规则算法研究 2．1串行关联规则算法 数据挖掘的一个重要任务是从事务数据库中发现关联规则。其中每个事务都包括一个项目集．由于事务的数据库通常都饱含大量不同的项目，因此候选集的总数很大，所以当前的关联规则发现技术都是通过要求满足一个最小支持度以尽量减小搜索空间。 A pr i or．算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。它将发现关联规则的过程分为两个步骤t 第一步．通过迭代检索出事务数据库中的所有频繁项集，即支持度不低于用户设定的阈值的候选集；第二步．利用频繁项集构造出满足用户最小信任度的规则t对于每个频度项目集L，产生它的所有非空子集S，对L的每个非空子集S，如果满足兰器茜乏渊≥mI-Lco挖，'贝Ⅱ输出相关规则s 一(L—S)。图l给出了A pr i or i算法及其相关过程的伪代码。由图所述，A pr i or Lgen完成两个动作：连接和剪枝。在连接部分．L I一-与LI一，连接可能的候选．剪枝部分使用A pr i or i性质删除具有非频繁子集的候选集．非频繁子集的测试在过程has-i nf requer屯s ubs et中． 1．Fl={f r equent l一i t em se t s}I 2．F0r(k=2}R一1≠口Ik+十){ 3．C k=apri ot gen(Fk一1) [收稿日期]200—03一04 [作者简介]高翔(198l一)。女．河南洛阳人．洛阳理工学院助教．中国人民大学软件与理论专业在读硕士研究向为挖掘；侯小静(1975一)，女，河南洛阳人．洛阳理工学院讲师，硕士，研究向为计算机应用． 109