第八章 數(shù)據(jù)開(kāi)采課件

一、

知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘二、決策樹(shù)方法（分類(lèi)方法）三、聚類(lèi)方法四、關(guān)聯(lián)分析方法第八章數(shù)據(jù)挖掘本章內(nèi)容

第八章數(shù)據(jù)開(kāi)采(1)80年在美國(guó)召開(kāi)了第一屆國(guó)際機(jī)器學(xué)習(xí)研討會(huì)；(2)89年8月于美國(guó)底特律市召開(kāi)的第一屆KDD國(guó)際學(xué)術(shù)會(huì)議；(3)95年在加拿大召開(kāi)了第一屆知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘國(guó)際學(xué)術(shù)會(huì)議；(4)我國(guó)于87年召開(kāi)了第一屆全國(guó)機(jī)器學(xué)習(xí)研討會(huì)。第八章數(shù)據(jù)挖掘一、

知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘1.1知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘的興起第八章數(shù)據(jù)開(kāi)采

知識(shí)發(fā)現(xiàn)（KDD）被認(rèn)為是從數(shù)據(jù)中發(fā)現(xiàn)有用知識(shí)的整個(gè)過(guò)程。數(shù)據(jù)挖掘（DM）被認(rèn)為是KDD過(guò)程中的一個(gè)特定步驟，它用專門(mén)算法從數(shù)據(jù)中抽取模式（patterns）。

KDD過(guò)程定義（Fayyad，Piatetsky-Shapiror，andSmyth1996）：

從大量數(shù)據(jù)中提取出可信的、新穎的、有用的并能被人理解的模式的高級(jí)處理過(guò)程?！澳Ｊ健笨梢钥闯墒侵R(shí)的雛形，經(jīng)過(guò)驗(yàn)證、完善后形成知識(shí)。第八章數(shù)據(jù)挖掘一、

知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘1.2知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘概念第八章數(shù)據(jù)開(kāi)采KDD過(guò)程數(shù)據(jù)源數(shù)據(jù)數(shù)據(jù)集成目標(biāo)數(shù)據(jù)預(yù)處理后數(shù)據(jù)轉(zhuǎn)換數(shù)據(jù)模式知識(shí)數(shù)據(jù)選擇預(yù)處理數(shù)據(jù)挖掘數(shù)據(jù)轉(zhuǎn)換結(jié)果表達(dá)和解釋數(shù)據(jù)準(zhǔn)備數(shù)據(jù)挖掘結(jié)果表達(dá)和解釋第八章數(shù)據(jù)挖掘一、

知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘1.2知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘概念第八章數(shù)據(jù)開(kāi)采若兩個(gè)或多個(gè)數(shù)據(jù)項(xiàng)的取值之間重復(fù)出現(xiàn)且概率很高時(shí)，它就存在某種關(guān)聯(lián)，可以建立起這些數(shù)據(jù)項(xiàng)的關(guān)聯(lián)規(guī)則。一個(gè)相關(guān)規(guī)則的形式為：A1∧A2…∧Ai→B1∧B2…∧Bj。如果B1,B2,Bj出現(xiàn)，那么A1,A2,Ai一定出現(xiàn)，這表明A1,A2,Ai與B1,B2,Bj有某種關(guān)聯(lián)第八章數(shù)據(jù)挖掘一、

知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘1.3數(shù)據(jù)挖掘任務(wù)關(guān)聯(lián)分析數(shù)據(jù)挖掘任務(wù)主要有：關(guān)聯(lián)分析、聚類(lèi)、概念描述

、偏差檢測(cè)、預(yù)測(cè)。第八章數(shù)據(jù)開(kāi)采

數(shù)據(jù)庫(kù)中的數(shù)據(jù)可以劃分為一系列有意義的子集，即類(lèi)。在同一類(lèi)別中，個(gè)體之間的距離較小，而不同類(lèi)別上的個(gè)體之間的距離偏大。第八章數(shù)據(jù)挖掘一、

知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘1.3數(shù)據(jù)挖掘任務(wù)聚類(lèi)分析第八章數(shù)據(jù)開(kāi)采對(duì)數(shù)據(jù)庫(kù)中一類(lèi)對(duì)象的內(nèi)涵進(jìn)行描述，以概括這個(gè)類(lèi)的有關(guān)特征。概念描述是對(duì)數(shù)據(jù)庫(kù)的整體信息有全面概括，從數(shù)據(jù)庫(kù)中歸納抽象的信息。類(lèi)的內(nèi)涵描述有兩種：（1）特征描述：對(duì)類(lèi)中對(duì)象的共同特點(diǎn)進(jìn)行描述（2）辨別性描述：對(duì)兩個(gè)或多個(gè)類(lèi)之間的區(qū)別描述產(chǎn)生辨別性描述的方法有：(1)決策樹(shù)方法：ID3，IBLE等(2)神經(jīng)網(wǎng)絡(luò)方法(3)遺傳算法第八章數(shù)據(jù)挖掘一、

知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘1.3數(shù)據(jù)挖掘任務(wù)

概念描述第八章數(shù)據(jù)開(kāi)采數(shù)據(jù)庫(kù)中的數(shù)據(jù)存在很多異常情況，從數(shù)據(jù)分析中發(fā)現(xiàn)這些異常情況也是很重要的，以引起人們對(duì)它更多的注意。偏差檢測(cè)的數(shù)據(jù)模式有極值點(diǎn)、斷點(diǎn)、拐點(diǎn)、零點(diǎn)和邊界等不同的偏差對(duì)象。第八章數(shù)據(jù)挖掘一、

知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘1.3數(shù)據(jù)挖掘任務(wù)偏差檢測(cè)

預(yù)測(cè)是利用歷史數(shù)據(jù)找出變化規(guī)律，建立模型，并用此模型來(lái)預(yù)測(cè)未來(lái)數(shù)據(jù)的種類(lèi)，特征等。預(yù)測(cè)第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.1基本概念決策樹(shù)方法著眼于從一組無(wú)次序、無(wú)規(guī)則的示例中推理出決策樹(shù)表示形式的分類(lèi)規(guī)則。它采用自頂向下的遞歸方式，在決策樹(shù)的內(nèi)部結(jié)點(diǎn)（非葉結(jié)點(diǎn)）進(jìn)行屬性值的比較，并根據(jù)不同的屬性值決定從此結(jié)點(diǎn)向下的分支，直到葉結(jié)點(diǎn)才得到結(jié)論。葉結(jié)點(diǎn)的條件：結(jié)點(diǎn)內(nèi)所有示例屬于同類(lèi)。內(nèi)部結(jié)點(diǎn)用作分支判斷的屬性稱為測(cè)試屬性。

——怎么選擇測(cè)試屬性？二、

決策樹(shù)方法（分類(lèi)分析）分類(lèi)規(guī)則：從樹(shù)根到葉結(jié)點(diǎn)的一條路徑對(duì)應(yīng)著一條合取規(guī)則。第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.2CLS（ConceptLearningSystem）方法二、

決策樹(shù)方法（分類(lèi)分析）工作過(guò)程：首先找出最有判別力的因素，把數(shù)據(jù)分成兩個(gè)子集，每個(gè)子集又選擇最有判別力的因素進(jìn)行劃分，一直進(jìn)行到所有子集僅包含同一類(lèi)型的數(shù)據(jù)為止，最后得到一棵決策樹(shù)，可以用來(lái)對(duì)新的樣例進(jìn)行分類(lèi)。

沒(méi)有明確選擇測(cè)試屬性的標(biāo)準(zhǔn)Quinlan在1979年引進(jìn)了信息論中的互信息，作為特征判別能力的度量。——ID3方法第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.3信息論原理源信息宿信息信道干預(yù)源信息是客觀系統(tǒng)本身固有的信息。宿信息是接受系統(tǒng)所呈現(xiàn)的信息。信息熵（先驗(yàn)熵）、條件熵（后驗(yàn)熵）、互信息互信息=信息熵-條件熵三者關(guān)系：二、

決策樹(shù)方法（分類(lèi)分析）第八章數(shù)據(jù)開(kāi)采條件熵：H（U/V）=-∑P(vj)∑P(ui/vj)logP(ui/vj)第八章數(shù)據(jù)挖掘2.3信息論原理源U宿V信道P(V/U)u1,u2,…,urv1,v2,…,vq信道模型:計(jì)算：信息熵：H（U）=-∑P（ui）logP（ui）irrijqP(U)=(P(u1),P(u2),…,P(ur))給定：P(V/U)=P(v1/u1)P(v2/u1)…P(vq/u1)P(v1/u2)P(v2/u2)…P(vq/u2)P(v1/ur)P(v2/ur)…P(vq/ur)傳輸概率二、

決策樹(shù)方法（分類(lèi)分析）第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.4ID3算法主算法：訓(xùn)練集PE，NE取子集建窗口窗口PE’，NE’生成決策樹(shù)測(cè)試PE，NE存在錯(cuò)判的PE’’，NE’’？擴(kuò)展窗口PE’=PE’+PE’’NE’=NE’+NE’’YN結(jié)束二、

決策樹(shù)方法（分類(lèi)分析）第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.4ID3算法建樹(shù)算法：（1）對(duì)當(dāng)前集合，計(jì)算各特征的互信息；（2）選擇互信息最大的特征AK；（3）根據(jù)特征AK的取值把當(dāng)前集合分為若干個(gè)子集；（4）對(duì)既含正例又含反例的子集，遞歸調(diào)用建樹(shù)算法；（5）對(duì)只含正例或反例的子集，對(duì)應(yīng)分支標(biāo)上P或N，返回調(diào)用處。二、

決策樹(shù)方法（分類(lèi)分析）優(yōu)缺點(diǎn)：第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.4ID3算法示例：二、

決策樹(shù)方法（分類(lèi)分析）1晴熱高無(wú)風(fēng)N2晴熱高有風(fēng)N3多云熱高無(wú)風(fēng)P4雨適中高無(wú)風(fēng)P5雨冷正常無(wú)風(fēng)P6雨冷正常有風(fēng)N7多云冷正常有風(fēng)P8晴適中高無(wú)風(fēng)N9晴冷正常無(wú)風(fēng)P10雨適中正常無(wú)風(fēng)P11晴適中正常有風(fēng)P12多云適中高有風(fēng)P13多云熱正常無(wú)風(fēng)P14雨適中高有風(fēng)N天氣氣溫濕度風(fēng)P（u1）=9/14u1代表正例Pu2代表反例P（u2）=5/14A1=天氣取值

v1=晴，v2=多云，v3=雨第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.4ID3算法示例：NPNP天氣濕度風(fēng)高正常有風(fēng)無(wú)風(fēng)多云P晴

雨二、

決策樹(shù)方法（分類(lèi)分析）第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.5ID3應(yīng)用示例

示例：用決策樹(shù)方法挖掘保險(xiǎn)業(yè)務(wù)（醫(yī)療保險(xiǎn)）數(shù)據(jù)中的投資風(fēng)險(xiǎn)規(guī)則設(shè)醫(yī)療保險(xiǎn)數(shù)據(jù)庫(kù)由個(gè)人信息表、單位信息表、一定時(shí)間內(nèi)（月）索賠單據(jù)表等數(shù)據(jù)表組成，各表信息如下：保險(xiǎn)號(hào)姓名性別出生日期單位編號(hào)年薪投保日期張女670121305423000970901劉男541123200115508970402李男43082520457086970623……個(gè)人信息表：二、

決策樹(shù)方法（分類(lèi)分析）第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.5ID3應(yīng)用示例

編號(hào)單位名稱類(lèi)別投保日期3054XX房產(chǎn)公司企業(yè)9709012001XX公交公司企業(yè)9704022045XX工業(yè)大學(xué)事業(yè)970623…………單位信息表：月索賠單據(jù)表：?jiǎn)翁?hào)營(yíng)業(yè)員保險(xiǎn)號(hào)索賠金額索賠日期000121王300970901000101劉158970902000340劉208970923二、

決策樹(shù)方法（分類(lèi)分析）第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.5ID3應(yīng)用示例

數(shù)據(jù)挖掘工作的幾個(gè)步驟：1）數(shù)據(jù)整理保險(xiǎn)號(hào)年齡性別單位類(lèi)別年薪索賠次數(shù)是否索賠63女企業(yè)230006Y33男企業(yè)155080N55男事業(yè)70863Y2）數(shù)據(jù)分析：索賠次數(shù)可以去掉。3）數(shù)據(jù)挖掘：

年齡分段；年薪分段。

ID3建樹(shù)4）挖掘結(jié)果解釋：二、

決策樹(shù)方法（分類(lèi)分析）第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.5ID3應(yīng)用示例

數(shù)據(jù)離散化（分段）

無(wú)指導(dǎo)離散化：等間隔離散、等頻度離散有指導(dǎo)離散化：基于信息熵的離散化等基于信息熵的離散化基本原理：給定一樣本集S，如果用邊界T將S劃分為S1和S2兩部分，則劃分后的熵為：H（S，T）=H（S1）+H（S2）|S1||S||S2||S|選取使H（S，T）取值最小的邊界T進(jìn)行劃分。二、

決策樹(shù)方法（分類(lèi)分析）第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.6IBLE算法基本思想2.7IBLE算法為了克服ID3的缺點(diǎn)，而設(shè)計(jì)的。用信道容量代替互信息作為特征判別力的度量結(jié)點(diǎn)是一組特征，而不只一個(gè)特征決策規(guī)則樹(shù)規(guī)則2規(guī)則3規(guī)則1u1u1u1u2u2u2二、

決策樹(shù)方法（分類(lèi)分析）第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘2.7IBLE算法決策規(guī)則樹(shù)中非葉結(jié)點(diǎn)均為規(guī)則。規(guī)則形式為:

特征:A1，A2，...，.Am

權(quán)值:W1，W2，...，.Wm

標(biāo)準(zhǔn)值:V1，V2，...，.Vm

閾值:Sp，Sn該規(guī)則可形式描述為：（1）sum:=0；（2）對(duì)i:=1到m作：若Ai=Vi，則sum:=sum+wi；（3）若sum

sn，則該例為N類(lèi)；（4）若sum

sp，則該例為P類(lèi)；（5）若sn<sum<sp，則該例暫不能判，轉(zhuǎn)下一條規(guī)則判別。其中sum表示權(quán)和。二、

決策樹(shù)方法（分類(lèi)分析）第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘決策規(guī)則樹(shù)結(jié)點(diǎn)IBLE算法組成部分：預(yù)處理，建規(guī)則算法，建決策樹(shù)算法，類(lèi)判定算法PENE建規(guī)則測(cè)試PEPPENPEMNEPNENNEM二、

決策樹(shù)方法（分類(lèi)分析）第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘3.1聚類(lèi)將集合分組成為由類(lèi)似的對(duì)象組成的多個(gè)類(lèi)的過(guò)程被稱為聚類(lèi)。主要的聚類(lèi)方法：劃分方法、層次方法、基于密度方法、基于網(wǎng)格的方法、基于模型的方法。三、

聚類(lèi)分析與分類(lèi)的區(qū)別：不依賴預(yù)先定義的類(lèi)和帶類(lèi)標(biāo)識(shí)的訓(xùn)練實(shí)例。聚類(lèi)屬于無(wú)指導(dǎo)學(xué)習(xí)，而分類(lèi)是指導(dǎo)性的學(xué)習(xí)。第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘3.2劃分法算法思想：對(duì)N個(gè)對(duì)象的數(shù)據(jù)集，構(gòu)建數(shù)據(jù)的K個(gè)劃分，每個(gè)劃分表示一個(gè)聚簇，并且K<=N。即，它將數(shù)據(jù)劃分為K個(gè)組，同時(shí)滿足如下的要求：

每個(gè)組至少包含一個(gè)對(duì)象；每個(gè)對(duì)象必須屬于且只屬于一個(gè)組。三、

聚類(lèi)分析目前較流行的兩個(gè)劃分方法是：K-平均算法：每個(gè)簇用該簇中所有對(duì)象的平均值來(lái)表示；K-中心算法：每個(gè)簇用最接近簇中心的那個(gè)對(duì)象來(lái)表示。第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘3.2劃分法三、

聚類(lèi)分析K-平均算法：輸入：簇的數(shù)目K和包含N個(gè)對(duì)象的數(shù)據(jù)集輸出：K個(gè)簇，使平方誤差準(zhǔn)則最小方法：任意選擇K個(gè)對(duì)象作為初始的簇中心；repeat

根據(jù)對(duì)象與各簇中心的距離，將每個(gè)對(duì)象賦給最近的簇；更新簇的平均值，即計(jì)算每個(gè)簇的中心；3.Until平方誤差準(zhǔn)則函數(shù)收斂第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘3.2劃分法三、

聚類(lèi)分析K-平均算法：簇是否不再變化結(jié)束NY任意選定K個(gè)初始的簇中心將每個(gè)對(duì)象分配給最臨近的簇更新簇平均值缺陷：

不適合發(fā)現(xiàn)非凸面形狀的簇；不適合發(fā)現(xiàn)大小相差很大的簇；對(duì)噪聲和孤立點(diǎn)數(shù)據(jù)敏感。算法復(fù)雜度：O（nkt）第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘3.2劃分法三、

聚類(lèi)分析K-中心算法：方法：任意選擇K個(gè)對(duì)象作為初始的簇中心；repeat將每個(gè)對(duì)象賦給最臨近的簇；隨機(jī)地選擇一個(gè)非中心點(diǎn)對(duì)象，并計(jì)算迭代后的總代價(jià)；如果總代價(jià)小于0，迭代成功，形成新的K個(gè)中心點(diǎn)集合；3.until不再發(fā)生變化優(yōu)點(diǎn)：對(duì)噪聲和孤立點(diǎn)不敏感缺陷：計(jì)算代價(jià)高第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘3.3層次法三、

聚類(lèi)分析算法思想：首先將每個(gè)對(duì)象作為一簇，然后這些原子簇為越來(lái)越大的簇，直到所有的對(duì)象都在一個(gè)簇中。CURE(ClusteringUsingREpresentatives)CURE思想：用固定數(shù)目的代表點(diǎn)來(lái)表示一個(gè)簇。每個(gè)簇的代表點(diǎn)通過(guò)這種方式產(chǎn)生：首先選擇類(lèi)中分散的點(diǎn)，然后根據(jù)一個(gè)特定的收縮因子向類(lèi)中心“收縮”。在算法的每一步，有最近距離的代表點(diǎn)對(duì)（每個(gè)點(diǎn)來(lái)自一個(gè)不同的類(lèi)）的兩個(gè)類(lèi)被合并。第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘3.3層次法三、

聚類(lèi)分析優(yōu)點(diǎn)：每個(gè)類(lèi)有多于一個(gè)的代表點(diǎn)使得CURE可以適宜非球形的幾何形狀。類(lèi)的收縮可以有助于控制孤立點(diǎn)的影響。因此，CURE對(duì)孤立點(diǎn)的處理更加健壯，而且能夠識(shí)別非球形和大小變化較大的類(lèi)。

CURE(ClusteringUsingREpresentatives)劃分法聚類(lèi)結(jié)果第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘3.3層次法三、

聚類(lèi)分析代表點(diǎn)的產(chǎn)生與收縮：CURE第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘3.4基于密度的方法——DBSCAN三、

聚類(lèi)分析算法思想：算法將具有足夠高密度的區(qū)域劃分為簇，并可以在帶有“噪聲”的數(shù)據(jù)庫(kù)中發(fā)現(xiàn)任意形狀的聚類(lèi)。它定義簇為密度相連的點(diǎn)的最大集合。有關(guān)定義：核心對(duì)象：如果一個(gè)對(duì)象的EPS鄰域至少包含了MinPts個(gè)對(duì)象，則稱該對(duì)象為核心對(duì)象。直接密度可達(dá)：給定一個(gè)對(duì)象集合D，如果p在q的EPS鄰域內(nèi)，而q是一個(gè)核心對(duì)象，則稱p從對(duì)象q出發(fā)是直接密度可達(dá)的。密度可達(dá)：如果存在一個(gè)對(duì)象鏈p1,p2,…,pn,p1=q,pn=p,對(duì)pi∈D，（1≤i≤n），pi+1是從pi關(guān)于EPS和MinPts直接密度可達(dá)的，則對(duì)象p是從對(duì)象q關(guān)于EPS和MinPts密度可達(dá)的。密度相連：如果對(duì)象集合D中存在一個(gè)對(duì)象o，使得對(duì)象p、q是從o關(guān)于EPS和MinPts密度可達(dá)的，那么對(duì)象p，q是關(guān)于EPS和MinPts密度相連的。

第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘3.4基于密度的方法——DBSCAN三、

聚類(lèi)分析基于密度的簇：基于密度可達(dá)性的最大的密度相連對(duì)象的集合

DBSCAN的原理如下：檢查數(shù)據(jù)庫(kù)中每個(gè)點(diǎn)的EPS鄰域，如果一個(gè)點(diǎn)p的EPS鄰域包含多于MinPts個(gè)點(diǎn)，則創(chuàng)建一個(gè)以p為核心的新簇。然后，反復(fù)尋找從核心對(duì)象直接密度可達(dá)的對(duì)象，這個(gè)過(guò)程還涉及一些密度可達(dá)簇的合并。當(dāng)沒(méi)有新的點(diǎn)可以被添加到任何簇時(shí)，該過(guò)程結(jié)束。第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘3.4基于密度的方法——DBSCAN三、

聚類(lèi)分析參數(shù)設(shè)置接受用戶給定的EPS和MinPts的設(shè)置值查找核心對(duì)象根據(jù)EPS和MinPts的設(shè)置值，掃描數(shù)據(jù)庫(kù)，找出所有核心對(duì)象，建立初始簇群簇的擴(kuò)展與合并根據(jù)直接密度可達(dá)性擴(kuò)展和合并簇篩除噪聲把不屬于任何簇的對(duì)象標(biāo)識(shí)為噪聲第八章數(shù)據(jù)開(kāi)采第八章數(shù)據(jù)挖掘四、

關(guān)聯(lián)分析4.1基本概念設(shè)I={i1