数据挖掘的理论基础是什么？

数据挖掘的基础有几种理论，包括以下这些：

数据规约——在这个理论中，数据挖掘的基础是减少数据表示。为了快速获得对海量数据库查询的近似答案，数据规约用速度换取确定性。

数据规约方法包括奇异值分解（主成分分析背后的驱动因素）、小波、回归、对数线性模型、直方图、聚类、抽样和索引树的开发。

数据压缩——根据这个理论，数据挖掘的基础是用位、关联规则、决策树、聚类等对给定信息进行编码压缩。

模式发现——在这个理论中，数据挖掘的基础是在数据库中查找出现的模式，包括关联、分类模型、序列模式等。机器学习、神经网络、关联挖掘、序列模式挖掘、聚类以及其他几个不同的子领域都为这个理论做出了贡献。

概率论——这是基于统计理论的。在这个理论中，数据挖掘的基础是寻找随机变量的联合概率分布，例如贝叶斯信念网络或分层贝叶斯模型。

微观经济学视角——微观经济学视角将数据挖掘视为发现模式的服务，这些模式只有在可以用于某些企业的决策过程（例如，关于营销方法和生产计划）时才具有吸引力。

这种观点是一种服务，其中模式如果可以基于它们被认为是有趣的。企业被认为面临优化问题，目标是最大化决策的服务或价值。在这个理论中，数据挖掘成为一个非线性优化问题。

归纳数据库——根据这个理论，数据库模式包括存储在数据库中的数据和模式。数据挖掘是在数据库上实现归纳的问题，其功能是查询数据库的信息和理论（即模式）。这种观点在数据库系统的一些研究人员中很流行。

这些理论并非相互排斥。例如，模式发现也可以被视为数据规约或数据压缩的一种设计。理想情况下，一个理论框架必须能够模拟典型的数据挖掘任务（包括关联、分类和聚类），具有概率特性，能够管理多种形式的数据，并处理数据挖掘的迭代和交互本质。此外，需要努力建立一个满足这些要求的、定义明确的数据挖掘结构。

Ginni

更新于：2022年2月17日

2K+ 次浏览

启动你的职业生涯

通过完成课程获得认证

开始学习