数据挖掘与数据仓库知识点总结
数据仓库与数据挖掘
数据仓库与数据挖掘引言：数据仓库和数据挖掘是当今信息时代中非常重要的概念。
数据仓库是指用于存储和管理大量结构化和非结构化数据的系统，而数据挖掘则是从这些数据中发现隐藏的模式和知识。
本文将详细介绍数据仓库和数据挖掘的概念、作用以及应用领域。
一、数据仓库1.1 数据仓库的定义和特点- 数据仓库是一个面向主题的、集成的、稳定的、随时间变化的数据集合，用于支持管理决策。
- 数据仓库是基于主题的，即以特定的主题或者业务领域为中心，整合相关数据以提供全面的分析。
- 数据仓库是集成的，将来自不同数据源的数据进行整合，消除数据冗余和不一致，提供一致性的数据视图。
- 数据仓库是稳定的，一旦建立，数据仓库的结构和数据内容不会频繁变化。
- 数据仓库是随时间变化的，可以追踪和记录历史数据，支持时间序列分析和趋势预测。
1.2 数据仓库的架构和组成- 数据仓库的架构通常包括数据源层、数据集成层、数据存储层和数据使用层。
- 数据源层负责从各种数据源中提取数据，包括关系型数据库、文件系统、日志文件等。
- 数据集成层负责将来自不同数据源的数据进行清洗、转换和集成，以确保数据的一致性和完整性。
- 数据存储层是数据仓库的核心，用于存储整合后的数据，包括事实表和维度表等。
- 数据使用层提供给用户的数据视图和分析工具，支持用户进行数据查询、报表生成和决策支持等。
1.3 数据仓库的作用和优势- 数据仓库可以提供全面、一致、准确的数据，为管理决策提供支持和参考。
- 数据仓库可以匡助企业进行数据分析和业务探索，发现隐藏的模式和知识。
- 数据仓库可以提供历史数据的追踪和趋势分析，支持业务预测和规划。
- 数据仓库可以减少数据冗余和不一致，提高数据的质量和可靠性。
- 数据仓库可以提高数据的查询和分析效率，减少数据处理的时间和成本。
二、数据挖掘2.1 数据挖掘的定义和过程- 数据挖掘是从大量数据中自动发现实用的模式和知识的一种技术和过程。
- 数据挖掘的过程包括数据清洗、数据集成、数据选择、数据变换、模式发现和模式评估等步骤。
数据挖掘知识点归纳
知识点一数据仓库1.数据仓库是一个从多个数据源收集的信息存储库，存放在一致的模式下，并且通常驻留在单个站点上。
2.数据仓库通过数据清理、数据变换、数据集成、数据装入和定期数据刷新来构造。
3.数据仓库围绕主题组织4.数据仓库基于历史数据提供消息，是汇总的。
5.数据仓库用称作数据立方体的多维数据结构建模，每一个维对应于模式中的一个或者一组属性，每一个单元存放某种聚集的度量值6.数据立方体提供数据的多维视图，并允许预计算和快速访问汇总数据7.提供提供多维数据视图和汇总数据的预计算，数据仓库非常适合联机分析处理，允许在不同的抽象层提供数据，这种操作适合不同的用户角度8.OLAP例子包括下钻和上卷，允许用户在不同的汇总级别上观察数据9.多维数据挖掘又叫做探索式多维数据挖掘OLAP风格在多维空间进行数据挖掘，允许在各种粒度进行多维组合探查，因此更有可能代表知识的有趣模式。
知识点二可以挖掘什么数据1.大量的数据挖掘功能，包括特征化和区分、频繁模式、关联和相关性分析挖掘、分类和回归、聚类分析、离群点分析2.数据挖掘功能用于指定数据挖掘任务发现的模式，分为描述性和预测性3.描述性挖掘任务刻画目标数据中数据的一般性质4.预测性挖掘任务在当前数据上进行归纳，以便做出预测5.数据可以与类或概念相关联6.用汇总、简洁、精确的表达描述类和概念，称为类/概念描述7.描述的方法有数据特征化（针对目标类）、数据区分（针对对比类）、数据特征化和区分8.数据特征化用来查询用户指定的数据，上卷操作用来执行用户控制的、沿着指定维的数据汇总。
面向属性的归纳技术可以用来进行数据的泛化和特征化，而不必与用户交互。
形式有饼图、条图、曲线、多维数据立方体和包括交叉表在内的多维表。
结果描述可以用广义关系或者规则（也叫特征规则）提供。
9.用规则表示的区分描述叫做区分规则。
10.数据频繁出现的模式叫做频繁模式，类型包括频繁项集、频繁子项集（又叫频繁序列）、频繁子结构。
数据仓库与数据挖掘
数据仓库与数据挖掘数据仓库和数据挖掘是现代信息技术领域中非常重要的概念和技术。
数据仓库是一个用于存储和管理大规模数据的系统，而数据挖掘则是通过分析和探索这些数据来发现隐藏在其中的实用信息和模式。
一、数据仓库数据仓库是一个集成的、主题导向的、稳定的、面向主题的、时间一致的、非易失的数据集合，用于支持管理决策。
1. 集成性：数据仓库将来自不同来源的数据进行整合，以便用户可以从一个地方访问和分析各种数据。
2. 主题导向：数据仓库的设计是环绕特定的主题或者业务问题进行的，而不是按照应用程序或者部门来组织数据。
3. 稳定性：数据仓库的数据是经过清洗、转换和整合的，以确保数据的准确性和一致性。
4. 面向主题：数据仓库存储的数据是按照主题进行组织的，例如销售、客户、产品等。
5. 时间一致性：数据仓库中的数据是按照一致的时间标志进行存储的，以便用户可以进行时间上的分析和比较。
6. 非易失性：数据仓库中的数据是长期存储的，不会因为系统故障或者断电而丢失。
数据仓库的建设过程包括数据抽取、数据清洗、数据转换、数据加载和数据查询等环节。
通过数据仓库，企业可以更好地理解自己的业务运营情况，支持决策制定和战略规划。
二、数据挖掘数据挖掘是从大量数据中自动发现实用的信息、模式和关系的过程。
它是通过应用统计学、机器学习、人工智能等技术和算法来实现的。
数据挖掘的主要任务包括分类、聚类、关联规则挖掘、异常检测和预测等。
下面我们来详细介绍这些任务：1. 分类：分类是将数据集划分为不同的类别或者标签的任务。
通过学习已知类别的样本数据，分类算法可以对新的未知数据进行分类。
2. 聚类：聚类是将数据集中的对象划分为不同的组或者簇的任务。
聚类算法通过计算数据对象之间的相似度或者距离来实现。
3. 关联规则挖掘：关联规则挖掘是发现数据集中项之间的关联关系的任务。
例如，购买商品A的人通常也会购买商品B，这就是一个关联规则。
4. 异常检测：异常检测是识别数据集中不符合正常模式的数据对象的任务。
数据挖掘与数据仓库重点
1.数据挖掘DM是指从大量数据中提取或“挖掘”知识相关术语：“从数据中挖掘知识”，“知识挖掘”“数据中的知识发现（KDD）”2.数据挖掘/知识发现过程数据清理（清除数据源和不一致数据）数据集成（多种数据源可以结合在一起）数据选择（从数据库中提取与分析人物相关的数据）数据与处理的基本形式数据变换（数据变换成统一成适合挖掘的形式，如通过汇总或聚集操作）数据挖掘（基本步骤，使用智能方法提取数据模式）模式评估（根据某种兴趣度度量，识别标识知识的真正有趣的模式）知识表示（使用可视化和知识标识技术，向用户提供挖掘的知识）3.数据挖掘是知识发现过程的一个步骤4.对何种数据进行数据挖掘数据挖掘来源原则上讲，数据挖掘可以在任何类型的信息存储库上进行。
这包括：关系数据库、数据仓库、事务数据库、万维网、高级数据库系统、一般文件、数据流等。
5.数据仓库是一个从多个数据源收集的信息存储库，存放在一个一致的模式下，并且通常驻留在单个站点。
6. 数据挖掘功能用于指定数据挖掘任务中要找的模式类型。
一般地，数据挖掘任务可以分两类：描述和预测。
描述性挖掘任务刻划数据库中数据的一般特性。
预测性挖掘任务在当前数据上进行推断，以进行预测。
数据挖掘功能:概念/类描述、关联分析、分类与预测、聚类分析、离群点分析、演变分析等。
7. 数据特征化：对目标数据一般特性或特征的汇总。
数据特征化的数据输出形式有多种，包括饼图、条形图、曲线图、多维数据立方体、交叉表、多维表、广义表、规则等。
数据区分：将目标数据的一般特性与一个或多个对比数据的一般特性进行比较。
数据区分的输出形式与数据特征化的输出形式类似，但数据区分还包括比较度量、区分规则等。
8.频繁模式是在数据中频繁出现的模式。
存在多种类型的频繁模式，包括频繁项集模式、频繁序列模式和频繁结构模式等。
频繁项集模式挖掘是频繁模式挖掘的最简单形式。
关联分析是分析频繁项集之间的关联关系，通常用关联规则的形式表示这种关系，如buys(X,“computer”)=>buys(X,”software”)[support=1%,confidence=50%]9.分类的过程：找出描述已知数据集合的模型（或函数），用得到的模型预测未知类别（类标号）的数据对象所属的类别。
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案数据仓库与数据挖掘学习要点及答案数据仓库和数据挖掘是现代信息技术中非常重要的概念和技术。
数据仓库是一个用于存储、管理和分析大量结构化和非结构化数据的集中式数据存储系统。
数据挖掘则是从大量数据中发现有用信息、模式和关联的过程。
本文将详细介绍数据仓库和数据挖掘的学习要点及答案。
一、数据仓库学习要点1. 数据仓库的定义和特点：数据仓库是一个面向主题的、集成的、稳定的、非易失的数据集合，用于支持管理决策。
数据仓库具有以下特点：面向主题，集成性，稳定性，非易失性。
2. 数据仓库的架构：数据仓库的架构包括数据源层、数据抽取层、数据存储层和数据展示层。
数据源层用于存储原始数据，数据抽取层用于将原始数据抽取到数据存储层，数据存储层用于存储清洗后的数据，数据展示层用于展示数据分析结果。
3. 数据仓库的建模：数据仓库的建模包括概念建模、逻辑建模和物理建模。
概念建模用于定义数据仓库的主题和维度，逻辑建模用于定义数据仓库的数据模型，物理建模用于定义数据仓库的物理存储结构。
4. 数据仓库的ETL过程：ETL是指将数据从源系统中抽取出来，经过清洗、转换和加载等过程，最终加载到数据仓库中。
ETL过程包括数据抽取、数据清洗、数据转换和数据加载四个步骤。
5. 数据仓库的查询和分析：数据仓库的查询和分析是通过使用OLAP（联机分析处理）和数据挖掘技术来实现的。
OLAP技术可以进行多维数据分析，数据挖掘技术可以从大量数据中发现有用的信息和模式。
二、数据仓库学习答案1. 数据仓库的定义和特点：数据仓库是一个面向主题的、集成的、稳定的、非易失的数据集合，用于支持管理决策。
数据仓库的特点包括：- 面向主题：数据仓库以主题为中心，将相关的数据集中存储，方便用户进行主题分析。
- 集成性：数据仓库将来自不同数据源的数据进行整合，消除了数据冗余和不一致性。
- 稳定性：数据仓库的数据是经过清洗和转换的，保证了数据的准确性和一致性。
数据仓库和数据挖掘期末重点
数据仓库（Data Warehouse,DW）和数据挖掘（Data Mining,DM）是决策支持的两项重要技术，它们的共同特点是都需要利用大量的数据资源，并从数据资源中提取信息和知识。
一1.联机事务处理(On Line Transaction Processing, OLTP)是在网络的环境下面向交易的事物处理，利用计算机网络技术，以快速的事物响应和频繁的数据修改为特征，使用户利用数据库能快速的处理具体的业务。
其特征是用户的数据可以迅速的传到计算中心进行处理，并在很短的时间内给出处理的结果。
最大特点是实时的处理用户输入及时得到回答。
2.数据创库元数据(metadata)被定义为关于数据的数据，在数据仓库中是描述数据仓库中的数据及其环境的数据。
元数据在数据仓库中不仅定义了数据仓库有什么，还指名了数据仓库中信息的内容和位置，刻画了数据的抽取和转换规则的说明，存储了与数据仓库主题有关的各种商业信息，而且整个数据仓库的运行都是基于元数据的，如数据的修改，跟踪，抽取，综合以及使用等，元数据遍及数据仓库的方方面面，它已成为整个数据仓库的核心。
3.数据仓库的定义：数据仓库是面向主题的，集成的，稳定的，不同时间的信息集合，用于支持经营管理中决策制定过程。
特点：数据仓库是面向主题的；数据仓库是集成的；数据仓库是稳定的；数据仓库是随时间变化的；数据仓库中的数据量是很大的；数据仓库的软硬件要求都很高；4.数据仓库与数据挖掘的区别：数据仓库是在数据库的基础上发展而来的，它将大量的数据库信息按决策需求进行重新组织，以数据仓库的形式进行存储，它将为用户提供辅助决策的随机查询，综合信息以及随时间变化的趋势分析信息等。
数据挖掘是一种存储技术，它的数据存储量是一般数据库的100倍，它包含大量的历史数据，当前数据，当前的详细数据以及综合数据。
它能适应于不同用户对不同决策需要的数据和信息。
数据挖掘是从人工智能机器学习中发展起来的。
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案引言概述：数据仓库与数据挖掘是现代信息技术领域中非常重要的概念。
数据仓库是指将组织内部各种数据源汇集起来，以便进行数据分析和决策支持的技术体系。
数据挖掘则是通过应用统计学、人工智能和机器学习等方法，从大规模数据集中发现隐藏的模式、关联和趋势。
本文将介绍数据仓库与数据挖掘的学习要点，并提供相应的答案。
一、数据仓库学习要点及答案1.1 数据仓库的定义和特点- 数据仓库是指将组织内部各种数据源进行集成和整理，以便进行多维分析和决策支持。
- 数据仓库的特点包括面向主题、集成性、稳定性、时变性和非易失性等。
1.2 数据仓库的架构和组成- 数据仓库的架构包括数据源层、数据存储层、数据管理层和数据使用层。
- 数据源层是指各种数据源，如关系型数据库、文件系统等；数据存储层是指数据仓库中的数据存储；数据管理层是指数据仓库的管理和维护；数据使用层是指用户对数据仓库的访问和分析。
1.3 数据仓库的设计和实施- 数据仓库的设计包括确定主题、选择数据源、设计数据模型和确定ETL流程等。
- 数据仓库的实施包括数据抽取、数据转换和数据加载等步骤。
二、数据挖掘学习要点及答案2.1 数据挖掘的定义和任务- 数据挖掘是通过应用统计学、人工智能和机器学习等方法，从大规模数据集中发现隐藏的模式、关联和趋势。
- 数据挖掘的任务包括分类、聚类、关联规则挖掘、时序模式挖掘等。
2.2 数据挖掘的方法和算法- 数据挖掘的方法包括监督学习和无监督学习两种。
- 监督学习的算法包括决策树、支持向量机、神经网络等；无监督学习的算法包括聚类、关联规则挖掘等。
2.3 数据挖掘的应用领域- 数据挖掘在商业、金融、医疗、社交网络等领域都有广泛的应用。
- 在商业领域，数据挖掘可以用于市场分析、客户关系管理等；在金融领域，可以用于信用评估、风险管理等。
三、数据仓库与数据挖掘的关系3.1 数据仓库与数据挖掘的相互关系- 数据仓库提供了数据挖掘的数据源，数据挖掘可以从数据仓库中发现有价值的信息。
数据仓库与数据挖掘学习要点 及答案
数据仓库与数据挖掘学习要点及答案数据仓库与数据挖掘是现代数据分析领域的重要概念。
数据仓库是一个集成的、主题导向的、时变的、非易失的数据集合，用于支持管理决策。
而数据挖掘则是从大量数据中发现隐藏模式、关联规则和趋势的过程。
本文将详细介绍数据仓库与数据挖掘的学习要点，并提供相应的答案。
一、数据仓库学习要点1. 数据仓库的定义和特点：数据仓库是一个面向主题的、集成的、非易失的、随时间变化的数据集合。
它的特点包括：主题导向、集成性、稳定性、时间变化性和非易失性。
2. 数据仓库的架构：数据仓库的架构包括：数据源层、数据清洗层、集成层、存储层和应用层。
数据源层用于获取原始数据，数据清洗层用于清洗和预处理数据，集成层用于将不同数据源的数据整合起来，存储层用于存储整合后的数据，应用层用于提供数据分析和查询功能。
3. 数据仓库的设计与建模：数据仓库的设计与建模包括：确定业务需求、设计维度模型、设计事实表和维度表、选择合适的ETL工具进行数据抽取、清洗和转换。
4. 数据仓库的查询与分析：数据仓库的查询与分析包括：OLAP查询、数据切片和切块、数据钻取和数据透视等技术。
OLAP查询是一种多维查询技术，可以实现快速的数据分析和报表生成。
5. 数据仓库的维护与优化：数据仓库的维护与优化包括：数据清洗和数据更新、索引优化、查询性能优化、存储空间管理等方面。
通过定期的数据清洗和数据更新，可以保证数据仓库中的数据质量和准确性。
二、数据挖掘学习要点1. 数据挖掘的定义和任务：数据挖掘是从大量数据中发现隐藏模式、关联规则和趋势的过程。
数据挖掘的任务包括：分类、聚类、关联规则挖掘、异常检测等。
2. 数据预处理：数据预处理是数据挖掘的重要步骤，包括数据清洗、数据集成、数据转换和数据规约。
数据清洗用于处理缺失值、异常值和噪声数据，数据集成用于整合多个数据源的数据，数据转换用于将数据转换为适合挖掘的形式，数据规约用于减少数据集的大小。
3. 分类与预测：分类是一种用于将数据划分到预定义类别中的数据挖掘任务，预测是一种用于预测未来趋势或未知值的数据挖掘任务。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1、数据仓库定义：数据仓库是一种新的数据处理体系结构，它与组织机构的操作数据库分别维护，允许将各种应用系统一起，为统一的历史数据分析提供坚实的平台，对信息处理提供支持。
数据仓库是面向主题的、集成的、相对稳定的、反映历史变化的数据集合，为企业决策支持系统提供所需的集成信息。
设计和构造步骤：1）选取待建模的商务处理；2）选取商务处理的粒变；3）选取用于每个事实表记录的维；4）选取事实表中每条记录的变量系统结构：（1）底层是仓库数据服务器，总是关系数据库系统。
（2）中间层是OLAP服务器，有ROLAP 和MOLAP，它将对多维数据的操作映射为标准的关系操作（3）顶层是前端客户端，它包括查询和报表工具、分析工具和数据挖掘工具2、数据仓库的多维数据模型：（1）星形模式：在此模型下，数据仓库包括一个大的包含大批数据并且不含冗余的中心表，一组小的附属表，维表围绕中心事实表显示的射线上。
特征：星型模型四周的实体是维度实体，其作用是限制和过滤用户的查询结果，缩小访问围。
每个维表都有自己的属性，维表和事实表通过关键字相关联。
【例子：sales数据仓库的星形模式，此模式包含一个中心事实表sales，它包含四个维time, item, branch和location。
（2）雪花型模式：它是星形模式的变种，其中某些维表是规化的，因而把数据进一步分解到附加的表中。
特征：雪花模型通过最大限度地减少数据存储量和联合较小的维表来改善查询性能，增加了用户必须处理的表数量和某些查询的复杂性，但同时提高了处理的灵活性，可以回答更多的商业问题，特别适合系统的逐步建设要求。
【例子同上，只不过把其中的某些维给扩展了。
（3）事实星座形：复杂的应用可能需要多个事实表共享维表，这种模式可看作星形模式的汇集。
特征：事实星座模型能对多个相关的主题建模。
例子：有两个事实表sales和shipping，它们可以共享维表time, item和location。
3、OLAP：即联机分析处理，是在OLTP基础上发展起来的、以数据仓库基础上的、面向高层管理人员和专业分析人员、为企业决策支持服务。
特点：1.实时性要求不是很高。
2.数据量大。
3.因为重点在于决策支持，所以查询一般是动态的，也就是说允许用户随机提出查询要求。
OLAP操作：上卷：通过沿一个维的概念分层向上攀登，或者通过维归约，对数据立方体进行类聚。
下钻：是上卷的逆操作，它由不太详细的数据得到更详细的数据，下钻可以通过沿维的概念分层向下或引入附加的维来实现。
切片：对给定方体的一个维进行进行选择，导致一个子立方体。
切块：通过对两个或多个维执行选择，定义子立方体。
转轴：是一种可视化操作，它转动数据的视角，提供数据的替代表示。
OLTP：即联机事务处理，是以传统数据库为基础、面向操作人员和低层管理人员、对基本数据进行查询和增、删、改等的日常事务处理。
OLTP的特点有：a.实时性要求高；b.数据量不是很大。
C.交易一般是确定的，是对确定性数据进行存取。
d.并发性要求高且严格的要求事务的完整性，安全性。
OLTP和OLAP的区别：1）用户和系统的面向性:OLTP面向顾客，而OLAP面向市场；2）数据容：OLTP 系统管理当前数据，而OLAP管理历史的数据；3）数据库设计：OLTP系统采用实体-联系（ER)模型和面向应用的数据库设计，而OLAP系统通常采用星形和雪花模型；4）视图：OLTP系统主要关注一个企业或部门部的当前数据，而OLAP 系统主要关注汇总的统一的数据；5）访问模式：OLTP访问主要有短的原子事务组成，而OLAP系统的访问大部分是只读操作，尽管许多可能是复杂的查询。
7、PageRank算法原理：1）在初始阶段：构建Web图，每个页面初始设置相同的PageRank值，通过迭代计算，会得到每个页面所获得的最终PageRank值。
2）在一轮中更新页面PageRank得分的计算方法：每个页面将其当前的PageRank值平均分配到本页面包含的出链上。
每个页面将所有指向本页面的入链所传入的权值求和，即可得到新的PageRank得分。
优点：是一个与查询无关的静态算法，所有网页的PageRank值通过离线计算获得；有效减少在线查询时的计算量，极大降低了查询响应时间。
缺点：1）人们的查询具有主题特征，PageRank忽略了主题相关性，导致结果的相关性和主题性降低。
2）旧的页面等级会比新页面高。
因为即使是非常好的新页面也不会有很多上游，除非它是某个站点的子站点。
5、分类：指把数据样本映射到一个事先定义的类中的学习过程，即给定一组输入的属性向量及其对应的类。
过程：①在已知训练数据集上，根据属性特征，为每一种类别找到一个合理的描述或模型，即分类规则；②然后根据规则对新数据进行分类。
分类的方法有哪些，给出你所了解的评估分类器的方法和特点？分类方法：用基于归纳的学习算法，k-最近邻分类，人工神经网络法、粗糙集法和遗传算法。
用判定树归纳分类；贝叶斯分类；后向传播分类；基于规则的分类；关联分类，SVM支持向量机等。
分类和预测的评估方法：预测的准确率、速度、强壮性、可规模性、可解释性。
评估方法：（1）保持方法，给定数据随机地划分成两个独立的集合：训练集和测试集。
通常，三分之二的数据分配到训练集，其余三分之一分配到测试集。
使用训练集导出分类法，其准确率用测试集评估。
评估是保守的，因为只有一部分初始数据用于导出的分类法。
（2）交叉确认：在k-折交叉确认中，初试数据被划分成k 个互不相交的子集或“折”S 1,S 2,...,S k，每个折的大小大致相等。
训练和测试进行k次。
在第i次迭代，S i用作测试集，其余的子集都用于训练分类法。
其它方法包括解靴带（bootstrapping）和留一。
前者使用一致的、带放回的选样，选取给定的训练实例；后者是k-折交叉确认，这里k 为初始样本数s。
一般地，建议使用调整的10-折交叉确认，因为它具有相对低的偏置和方差。
（3）袋装：给定s 个样本的集合S，对于迭代t ( t = 1,2,...,T )，训练集S t采用放回选样，由原始样本集S 选取。
由于使用放回选样，S 的某些样本可能不在St中，而其它的可能出现多次。
由每个训练集S t学习，得到一个分类法C t。
为对一个未知的样本X 分类，每个分类法C t返回它的类预测，算作一票。
装袋的分类法C*统计得票，并将得票最高的类赋予X。
通过取得票的平均值，而不是多数，装袋也可以用于连续值的预测。
（4）推进：每个训练样本赋予一个权。
学习得到一系列分类法。
学习得到分类法Ct后，更新权，使得随后的分类法C t+1 “更关注”C t的分类错误。
最终的推进分类法C*组合每个分类法的表决，这里每个分类法的表决是其准确率的函数。
推进算法也可以扩充到连续值预测。
应用领域：是数据挖掘领域中研究和应用最为广泛的技术之一，许多分类算法被包含在统计分析工具的软件包中，作为专门的分类工具来使用。
分类问题在商业、银行业、生物学、文本挖掘、因特网筛选等领域都有广泛应用。
例如在因特网筛选中，分类方法可以协助网络工作人员将正常和垃圾进行分类，从而制定有效的垃圾过滤机制，防止垃圾干扰人们的正常生活。
8、决策树归纳算法及其优缺点决策树定义：是用样本的属性作为结点，用属性的取值作为分支的树结构。
它是利用信息论原理对大量样本的属性进行分析和归纳而产生的。
决策树的根结点是所有样本息量最大的属性。
树的中间结点是以该结点为根的子树所包含的样本子集息量最大的属性。
决策树的叶结点是样本的类别值。
归纳算法过程：①创建节点N，若划分D中所有元组属于同一个类C，返回N，并用C标记②若属性表为空，返回N并以D中多数类标记③从属性表中找到最优属性a，标记节点N ④如果a是离散的且允许多路划分，则从属性表中删除a ⑤对属性a在D上的每个划分Dj，若Dj为空，则加一个树叶到N并标记D中的多数类，否则递归调用本算法处理Dj，返回的节点加到N ⑥返回N优点：①更高的准确性②可以生成可理解的规则③计算量不是很大④可以处理连续和种类字段⑤可以清晰显示哪些字段比较重要⑥容易转化成分类规则：只要沿着树根向下一直走到叶子，沿途的分裂条件就能够唯一的决定一条分类的谓词缺点：①缺乏伸缩性，由于进行深度优先搜索，所以算法受存大小限制，难于处理大训练集②为了处理大数据集的种种算法（离散化、取样）不仅增加了分类算法的额外开销，而且降低了分类的准确性。
6.聚类分析的功能，主要的聚类方法及其特点。
聚类：【不知道数据的分类，甚至连分成几类也不知道】将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。
由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。
是无指导的学习。
聚类与分类的主要区别：和分类学习相比，聚类的样本没有标记，需要由聚类学习算法来自动确定。
聚类分析是研究如何在没有训练集的条件下把样本划分为若干类。
在分类中，对于目标数据库中存在哪些类是知道的，要做的就是将每一条记录分别属于哪一类标记出来。
主要的聚类方法：1）划分方法：给定n个对象或数据元组的数据库，划分方法构建数据的K个划分，每个划分表示一个簇，k<=n. 构建不同划分。
如K均值、K中心点算法等。
缺点是需要穷举所有可能划分，适用于中小规模数据库2）层次方法：对给定数据库对象进行层次分解，如Diana，Agnes、BIRCH、ROCK、CAMELEON 等，缺点在于一旦一个步骤（合并或分裂）完成，就不能撤销3）基于密度的方法。
基于连接和密度函数，如DBSCAN和OPTICS4）基于网格的方法，基于多层粒度函数，如STING、WaveCluster、CLIQUE等，把对象空间量化为有限个单元，形成网格结构，聚类都在网格上进行。
处理速度快，处理时间依赖于量化空间每一维的单元数目5）基于模型的方法，为每个簇假定一个模型，寻找数据对给定模型的最佳拟合，如EM、SOM、COBWEB算法等6）基于频繁模式的聚类：从频繁出现的维数自己中提取不同的频繁模式。
7）基于约束的聚类：结合用户指定或面向应用的约束进行聚类。
应用领域：是数据挖掘应用的主要技术之一，它可以作为一个独立的工具来使用，将未知类标号的数据集划分为多个类别之后，观察每个类别中数据样本的特点，并且对某些特定的类别作进一步的分析。
此外，聚类分析还可以作为其他数据挖掘技术（例如分类学习、关联规则挖掘等）的预处理工作。
4、人工神经网络：是一个函数，主要在于这个函数的自学习过程，在学习过程中，它根据正确结果不停的校正自己的网络结构。
分类方法：1.依学习策略分类主要有：监督式学习网络为主、无监督式学习网络、混合式学习网络、联想式学习网络、最适化学习网络2.依网络架构分类主要有:前向式架构、回馈式架构、强化式架构优点：预测准确性高、对噪声数据的高承受力（训练样本差错时仍可工作）、输出离散值、快速评估目标缺点：1、需要很长的训练时间2、难以与域知识合作3、可解释性差BP网络：是一种按误差逆传播算法训练的多层前馈网络。