数据挖掘（3）特征化

从数据分析角度，DM分为两类，描述式数据挖掘，预测式数据挖掘。描述式数据挖掘是以简介概要的方式描述数据，并提供数据的一般性质。预测式数据挖掘分析数据建立模型并试图预测新数据集的行为。

DM的分类：

• 描述式DM：以简洁、概要的方式描述数据、提供数据的有趣的一般性质。
  • 用以产生数据的特征化和比较描述：
    • 特征化：提供给定数据集的简洁汇总(一个数据集)。
    • 比较(区分)：提供两个或多个数据集的比较描述，其中一个为主数据集，其他数据集与其进行对比分析。
• 预测式DM：分析数据，建立模型，试图预测新数据集的行为。

一、数据概化与基于汇总的特征化

1. 数据概化

1. 以更一般的(而不是较低的) 抽象层描述数据。
2. 将大量的相关数据从一个较低的概念层次转化到一个比较高的层次。
   • 例如：把location维度上将地区概化为城市，甚至是省份
3. 方法
   • 数据立方体(或OLAP)方法
   • 面向属性的归纳方法

 

2. 数据立方体(OLAP)方法

1. 在数据立方体上进行计算和存储结果
2. 优点：
   1. 数据概化的一种有效实现。
   2. 能计算多种不同的度量值。(count、ave、sum、min、max)
   3. 概化与特征分析通过一系列的数据立方体操作完成，上钻、下钻操作。
3. 限制：
   * 只能为 非数值类型(离散的)维产生的概念分层。
   * 非数值类型：名义型、序数型(属于离散化的属性)。
   * 缺乏智能分析，不能自动确定分析中该使用哪些维，概化到哪个层次。

3. 面向属性归纳(AOI)(重点)

1. 前提：有大量不同的取值
2. 可处理连续性数据，比数据立方体更加智能
3. 基本思想：
   1. 首先使用DB 收集任务相关的数据。
   2. 对每个属性的不同值的个数进行概化(属性删除、属性概化)。
   3. 基本思想：
      1. 首先使用DB 收集任务相关的数据。
      2. 对每个属性的不同值的个数进行概化(属性删除、属性概化)。
   4. 属性删除(重点)
      1. 一个属性有许多不同数值：且
         • 该属性没有定义概化操作符(没有概念分层)。
           • 一个属性拥有许多不同的数值，却没有定义对他的泛化操作。
         • 或较高层概念可以用其他属性表示。
           • eg：出生日期：birth_date:1995-1-1,出生日期是年龄的更高层次，可以将其表现，所以可以将birth_date删除。
   5. 属性概化(重点)
      1. 若一个属性有许多不同数值，且：在该属性上存在概化操作符(有概念分层)，则应当选择该概化操作符，并逐层进行概化。
      2. 概化操作符：层次性，比如birth_day:年月日。

4.特征化(面向属性归纳)

两种方法：

1. 属性概化阈值控制：(控制属性取值个数)
   • 取值范围：[2-8]
   • 属性的不同值个数大于属性概化阈值，则应当删除或概化。
   • 概化层次太高，可加大阈值(属性下钻);反之，减小阈值(属性上卷)。
2. 概化关系阈值控制：(控制最后的广义元组数量)
   • 控制最后关系、规则的大小。(最后生成广义元组)
   • 设置阈值:[10-30]
   • 概化关系中不同元组的个数超过属性概化阈值，则概化。
   • 概化关系太少，可加大阈值(属性下钻);反之，减小阈值(属性上卷)。
   • 概化到最高层(最底层)也不满足，则需要将其删除。
3. 

 

5.例子分析

 

 二、属性相关分析(重点)

1. 在处理数据中，包含很多与挖掘任务不相关或弱相关的属性，引入属性相关分析。
2. 如果某个属性可以很好区分该类与其他类，则该属性是任务高度相关的。
3. 在处理数据中，包含很多与挖掘任务不相关或弱相关的属性，引入属性相关分析。
4. 如果某个属性可以很好区分该类与其他类，则该属性是任务高度相关的。

1. 属性相关分析法基本思想

1. 基本思想：给定的数据集，计算某种度量，用于量化属性与给定的类或概念间的相关性。
2. 常用的度量:信息增益、相关系数、GINI索引、不确定性

2.信息增益法(重点)

1. 信息增益法：

   1. 决策树归纳学习算法(ID3,C4.5)，删除信息量较少的属性，保留信息量较大的属性。

2. ID3算法

   1. 熵概念为启发函数。
      •    

      • 熵越大、携带的信息量越大、越不容易被预测

   2. 选择具有最大信息增益的属性作为当前划分节点。
   3. 基本原理:
      • 根据类别已知的训练数据集构造一颗决策树；根据决策树再对类别未知的数据对象进行分类。
      • 每一步选择都是选择最大信息增益。
   4. 决策树：每个节点的选择：选择信息增益最大的属性为当前节点。
   5. 本步骤只是求出不确定性

 

3. 通过熵来进行选择

 

4.属性相关分析步骤

1. 数据收集：建立目标数据集，以及对比数据集，目标数据集与对比数据集不相交。
2. 利用保守的AOI方法进行属性相关分析。对初始的数据集进行删除、概化等操作形成候选数据集。
3. 删除不相关、弱相关的属性。如信息增益度量
4. 使用AOI产生概念描述：利用更严格的属性概化控制阈值进行属性的归纳。
   • 任务是：概念描述，使用初始目标数据集。
   • 任务是：比较概念描述，使用初始目标数据集，对比数据集。

三、挖掘类比较：区分不同的类

 

1. 比较概念中，同一个属性要概化到同一个层次。
2. d—权
   • qa所包含的Cj中数据行数与qa所涵盖的所有数据行数（包括目标数据集及所有对比数据集）之比

四、常见的统计度量指标

1. 中心趋势：均值、中位数、模(众数)
   • 众数：如果每个数值仅出现1次则无众数
2. 数据分布：四分位数、方差、标准差
   • 四分位数：
     • 数值下数据集合的第k个百分位数。
     • 中位数：第50个百分位数
     • 第一个四分位数第25个百分位数；第三个百分位数 ：第75个百分位数
     • 中间四分位区间
     • 识别孤立点: