数据挖掘中学习算法比较研究

《数据挖掘中学习算法比较研究》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、数据挖掘中学习算法比较研究

数据挖掘中学习算法比较研究

　　关键词:数据挖掘;无监督学习;有监督学习;半监督学习;迁移学习
　摘要:数据挖掘作为信息技术的新兴领域,充分结合了数据库、统计分析、人工智能等多领域知识。作为企业信息化建设新方向,对其深入了解非常重要。本文主要介绍了数据挖掘的几种常见的学习方法,特别是重点介绍了新兴的领域:迁移学习。文章的最后将举例简要说明几种学习方法的区别。

　　SummarizationofDataMiningLearningMethod
　　XuR

2、ui
　　(GuizhouMobileCorp.Guiyang550004,China)
　　Abstract:Asanewdomainofinformationtechnology,dataminingtakesfulladvantagesofdatabase,statisticalanalysisandartificialintelligence,etc.Itisquitimportanttobefamiliarwithdataminingfordecision-makers,sinceitisanewdire

3、ctionofenterpriseinformationization.Inthisarticle,theauthorsummarizedsomecommonlearningmethodofdatamining,especiallythenewdomain:transferlearning.Finally,thearticlebrieflydescribeddifferenceamongtheselearningmethods.
　　Keywords:Datamining;Unsupervisedlearning;Sup

4、ervisedlearning;Semi-supervisedlearning;Transferlearning
　　企业信息化建设经历了办公自动化,信息管理系统,企业资源计划三个阶段,随着企业数据的快速增长,科学决策的广泛应用,数据挖掘和商业智能成为企业信息化建设的新的突破点。数据挖掘综合统计学、人工智能、数据库技术等多学科知识,从海量的数据中迅速发掘有价值的信息。作为一个新兴领域,数据挖掘的研究与应用发展迅速,但数据挖掘并不为企业决策者充分认识。本文将从学习的角度,重点介绍数据挖掘领域常见的算法。
　　一、引言

5、
　　数据挖掘算法依据其任务特点,常被分为四类:预测建模、聚类分析、关联分析以及异常检测。另一方面,依据算法所适应的问题类型来分,又可以分为无监督学习(UnsupervisedLearning)、有监督学习(SupervisedLearning)、半监督学习(Semi-supervisedLearning)以及迁移学习(TransferLearning)。比如针对网页的挖掘,普通用户关注返回结果与自己需求的相关性以及结果展现的可理解性,会更加希望网络搜索引擎进一步将相关的结果根据不同的类别分成不同的组(无监督学习);搜索

6、引擎工程师期望借助由专家进行类别标记的网页,建立准确的引擎,对网页进行分类(有监督学习);为有效提高搜索结果的准确性,搜索引擎通常还会根据用户的搜索习惯或者交互式的反馈,对结果进行筛选(半监督学习);而筛选的结果有时还会用来提供给其他具有类似习惯的用户(迁移学习)。
　　二、无监督学习
　　聚类分析通常又被叫做无监督学习。无监督学习可以理解为学习过程中只使用到了训练样本的原始属性,而未涉及到训练样本的类别属性。比如电信行业根据客户消费信息的相似性,将客户归为不同的类别组,并对不同的类别组设计有区别的营销策略和增值服

7、务,在公司内部编制不同的财务成本计算方法。在这一过程中使用的数据都是各营业厅收集的原始数据,得出的结论主要基于对原始数据的相似性归类的结果,在这一归类过程中不辅以任何人为的诸如添加类别标签等指导。
　　无监督学习方法,或者说聚类算法,通过研究描述数据的属性在不同数据间的相似性,将数据划分为若干有意义的组或者是簇。无监督学习通常要达到两个目标:1.簇内数据尽可能相似;2.簇间数据尽可能相异。为此,无监督学习方法的设计要关注两个关键点:(1)如何评价数据之间的相似性或者相异性;(2)以及如何同时满足所要达到的两个目标。

8、>　　(一)相似性度量标准
　　假设用于无监督学习的数据表示形式为X={X1,X2,…},其中X表示用于学习的样本集。对于每个样本Xi,又可以表示为一组属性的集合Xi={xi1,xi2,…,xik},其中k表示描述每个样本的属性数量(或者说维度)。相似度(或相异度)的评