96、数据挖掘在生物领域的应用与挑战

数据挖掘在生物领域的应用与挑战

在当今数据爆炸的时代，数据挖掘技术因其在构建模型和学习数据模式方面的潜力而备受关注。这些任务对于许多领域的决策制定和知识传播至关重要。关联规则挖掘、分类和聚类等知名学习技术已在众多应用中取得成功。近年来，生物科学成为应用数据挖掘技术的具有挑战性的领域。

1. SNK算法特性及应用

SNK（Sequential Nuggets of Knowledge）算法是一种用于挖掘顺序知识块的算法。
- 特性
- 正确性与完整性 ：该算法在其规范下是正确且完整的。形式上，对于分类顺序数据库CSD、兴趣度度量IM、支持度阈值min supp和兴趣度度量阈值min meas，SNK能准确返回CSD上满足suppCSD(r) ≥ min supp和measIM,CSD(r) ≥ min meas的所有最通用顺序关联规则r。
- 时间复杂度 ：SNK的时间复杂度与目标项的数量以及每个目标项上SNKrec的递归调用次数有关。最坏情况下，所有生成的规则支持度高但度量值低，会导致最大数量的递归调用。不过，由于深度优先搜索方法，投影数据库无需全部存储在内存中，且可独立构建。理论上最坏情况时间复杂度较高，但在实际应用中，由于投影数据库规模迅速减小，该算法仍然高效。
- 参数化与灵活性 ：SNK允许用户选择合适的兴趣度度量，默认选择置信度。还提供了引导模式，可对重采样的分类顺序数据库运行SNK以检查生成规则的一致性。在数据挖掘模式下，对于760个元组（序列大小小于17，项集约有35个不同元素），SNK运行约3秒