數(shù)據(jù)挖掘的四類方法

1、神經(jīng)網(wǎng)絡(luò)方法

由于神經(jīng)網(wǎng)絡(luò)本身具有良好的魯棒性、自組織適應(yīng)性、自行處理性、分布存儲和高度容錯等特性，非常適合解決數(shù)據(jù)挖掘的問題，因此近年來越來越受到人們的關(guān)注和使用。典型的神經(jīng)網(wǎng)絡(luò)模型主要分3大類：以感知機、BP反向傳播模型、函數(shù)型網(wǎng)絡(luò)為代表的，用于分類、預(yù)測和模式識別的神經(jīng)網(wǎng)絡(luò)模型；以Hopfield的離散模型和連續(xù)模型為代表的，分別用于聯(lián)想記憶和優(yōu)化計算的反饋式神經(jīng)網(wǎng)絡(luò)模型；以ART模型、Koholon模型為代表的，用于聚類的自組織映射方法。神經(jīng)網(wǎng)絡(luò)方法的缺點是“黑箱”性，人們難以從網(wǎng)絡(luò)中理解學習和決策過程。

2、遺傳算法

遺傳算法是一種基于生物自然選擇與遺傳機理的隨機搜索算法，是一種遺傳仿生的全局優(yōu)化方法。遺傳算法具有的隱含并行性、易于和其它模型結(jié)合等性質(zhì)使得它在數(shù)據(jù)挖掘中被加以應(yīng)用。遺傳算法的數(shù)據(jù)挖掘工具，利用該工具對兩個飛機失事的真實數(shù)據(jù)庫進行了數(shù)據(jù)挖掘?qū)嶒?，結(jié)果表明遺傳算法是進行數(shù)據(jù)挖掘的有效方法之一。遺傳算法的應(yīng)用還體現(xiàn)在與神經(jīng)網(wǎng)絡(luò)、粗集等技術(shù)的結(jié)合上。利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在不增加錯誤率的前提下，刪除多余的連接和隱層數(shù)據(jù)單元；用遺傳算法和BP算法結(jié)合訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后從網(wǎng)絡(luò)提取規(guī)則等。但遺傳算法的算法較為之復(fù)雜，斂于局部極小的較早斂入問題尚未解決。

3、決策樹方法

決策樹是一種常用于預(yù)測模型的算法，它通過將大量數(shù)據(jù)有目的分類，從中找到一些有價值的和潛在的信息。它的優(yōu)點是描述簡單，分類速度快，適合于對大規(guī)模的數(shù)據(jù)處理。最有影響和最早的決策樹方法是ID3算法。它的主要問題是：ID3是非遞增學習算法；ID3決策樹是單變量決策樹，復(fù)雜概念的表達困難；同性間的相互關(guān)系不夠強調(diào)；抗噪音性差。針對上述問題，出現(xiàn)了許多較好較為改進算法的ID4遞增式學習算法和IBLE算法等。

4、粗集方法

粗集方法專注于研究不精確、不確定知識的數(shù)學工具。粗集方法有幾個優(yōu)點，不需要再提供額外信息；加強簡化輸入信息的表達空間；算法較為簡單，容易操作操作。粗集處理的對象是類似于二維關(guān)系的信息表。目前成熟的關(guān)系數(shù)據(jù)庫管理系統(tǒng)和新發(fā)展起來的數(shù)據(jù)倉庫管理系統(tǒng)，為粗集的數(shù)據(jù)挖掘奠定了堅實的基礎(chǔ)。但粗集的數(shù)學基礎(chǔ)是集合論，難以直接處理連續(xù)性問題的屬性。而現(xiàn)實信息表中連續(xù)屬性是普遍存在的。因此連續(xù)屬性的離散化是制約粗集理論實用化的難點重點?，F(xiàn)在國際上已經(jīng)研制出來了一些基于粗集的工具應(yīng)用軟件，例如加拿大KDD-R軟件和美國的LERS軟件等。