数据挖掘核心概念与应用解析

最新推荐文章于 2025-11-24 02:33:10 发布

原创

最新推荐文章于 2025-11-24 02:33:10 发布 · 689 阅读

CC 4.0 BY-SA版权

文章标签：

数据挖掘的目标是在某个领域内，对大量的、大多无监督的数据进行解读。数据挖掘的用户通常是领域专家，他们拥有并收集数据。企业是数据挖掘的最大用户群体，其目的是让公司更具竞争力和盈利能力。数据所有者不仅希望更好地理解数据，还想获取关于该领域的新知识，以新颖且可能更好的方式解决问题。

为了实现解读数据的目的，新发现的知识应具备以下基本属性：

最终用户通常根据自身领域知识判断所生成知识（信息）的有用性，接受那些能发现数据中隐藏的、之前未知的新信息/知识，且可带来某种优势的结果。

评估步骤是在从数据分析角度构建出一个或多个高质量模型后，从业务目标角度对模型进行评估，同时回顾构建模型所执行的步骤。关键目标是确定是否有重要业务问题未得到充分考虑，最后要就数据挖掘结果的使用做出决策。

该步骤的关键子步骤包括：

部署步骤是将发现的知识进行组织和呈现，以便客户使用。此步骤可简单到仅生成一份报告，也可复杂到实施一个可重复的数据挖掘过程。

该步骤进一步分为：

数据不一致问题指数据中存在矛盾、冲突或不符合特定规则和逻辑的情况，这会影响数据的准确性和可用性，对数据挖掘结果产生负面影响。
数据冗余是指存在两个或多个相同对象，或两个或多个强相关的特征。而数据不一致更侧重于数据之间逻辑和规则上的冲突。

在心脏诊所数据集中，数据不一致可能表现为：
- 一份记录显示患者血压正常，但另一份记录却显示该患者患有需要高血压才会引发的并发症。

这两份记录在逻辑上相互矛盾，无法确定患者的真实状况，会干扰后续对患者病情的分析和诊断。

首先，分类边界由判别函数 $ x_1x_2 = 6.5 + 0.5x_1 - 0.9x_2 + 0.1x_1x_2 $ 确定，移项可得：

$$
6.5 + 0.5x_1 - 0.9x_2 + 0.1x_1x_2 - x_1x_2 = 0
$$

即：

$$
6.5 + 0.5x_1 - 0.9x_2 - 0.9x_1x_2 = 0
$$

为判断模式 $ (1.2, 7.5) $ 和 $ (10.4, -15.0) $ 是否属于同一类，需分别将这两个模式代入判别函数。

对于模式 $ (1.2, 7.5) $，代入得：
$$
6.5 + 0.5 \times 1.2 - 0.9 \times 7.5 - 0.9 \times 1.2 \times 7.5 = 6.5 + 0.6 - 6.75 - 8.1 = -7.75
$$
对于模式 $ (10.4, -15.0) $，代入得：
$$
6.5 + 0.5 \times 10.4 - 0.9 \times (-15.0) - 0.9 \times 10.4 \times (-15.0) = 6.5 + 5.2 + 13.5 + 140.4 = 165.6
$$

由于两个模式代入判别函数后的值一个小于 0，一个大于 0，所以它们 不属于同一类 。