數(shù)據(jù)倉庫與數(shù)據(jù)挖掘概述(學(xué)時2)

1、數(shù)據(jù)倉庫與數(shù)據(jù)挖掘 （DATA WAREHOUSING AND DATA MINING）,石家莊鐵道大學(xué),課程介紹,21世紀是一個以計算機技術(shù)和知識經(jīng)濟為核心的信息化時代。隨著計算機技術(shù)、網(wǎng)絡(luò)技術(shù)的飛速發(fā)展和數(shù)據(jù)庫應(yīng)用的不斷深化，數(shù)據(jù)倉庫（Data Warehousing）和數(shù)據(jù)挖掘（Data Mining）技術(shù)及其應(yīng)用已成為計算機科學(xué)技術(shù)領(lǐng)域的熱點之一。,2-,課程介紹,數(shù)據(jù)庫技術(shù)及其應(yīng)用的發(fā)展： 從關(guān)系模型發(fā)展到面向?qū)ο竽Ｐ?從單機應(yīng)用發(fā)展到分布式應(yīng)用 從局域網(wǎng)數(shù)據(jù)庫應(yīng)用發(fā)展到Web數(shù)據(jù)庫應(yīng)用 從聯(lián)機事務(wù)處理（OLTP：On-Line Transaction Process）發(fā)展到聯(lián)機分析

2、處理（OLAP：On-Line Analysis Process） 從數(shù)據(jù)庫發(fā)展到數(shù)據(jù)倉庫 從數(shù)據(jù)的統(tǒng)計分析發(fā)展到數(shù)據(jù)挖掘,3-,課程介紹(Cont.),目前，計算機科學(xué)技術(shù)界的許多專家、學(xué)者都在大力研究數(shù)據(jù)倉庫的構(gòu)筑技術(shù)和基于各種模型的數(shù)據(jù)挖掘算法，并取得了可喜的成果。國內(nèi)外一些著名計算機企業(yè)也紛紛提出了數(shù)據(jù)倉庫實施戰(zhàn)略，推出了一些OLAP和數(shù)據(jù)挖掘工具。高等院校的研究生需要掌握這方面的新知識、新技術(shù)，掌握數(shù)據(jù)倉庫與數(shù)據(jù)挖掘領(lǐng)域的基本理論、基本原理和實現(xiàn)技術(shù)，適應(yīng)計算機科學(xué)技術(shù)新的發(fā)展趨勢。,4-,課程介紹(Cont.),本課程在數(shù)據(jù)倉庫部分全面深入地介紹數(shù)據(jù)倉庫的基本概念和體系結(jié)構(gòu)，詳細闡

3、述數(shù)據(jù)倉庫的實現(xiàn)技術(shù)；在數(shù)據(jù)挖掘部分介紹數(shù)據(jù)挖掘的各類算法（包括關(guān)聯(lián)規(guī)則挖掘算法、分類規(guī)則挖掘算法、聚類分析算法、WEB數(shù)據(jù)挖掘等）。,5-,學(xué)時及成績評定,學(xué)時：32=20+12 教學(xué)形式：講解、報告、實驗等 考核方式：C 方式C：平時（30%）+課程論文（70%） 平時：出勤、課堂表現(xiàn)、作業(yè)、報告等 課程論文： 專題論文、實驗報告等,6-,參考資料,1.王麗珍，周麗華 等. 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘原理及應(yīng)用. 北京：科學(xué)出版社，2005 2.安淑芝 等. 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘. 北京：清華大學(xué)出版社，2005 3.陳京民. 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù). 北京：電子工業(yè)出版社，2002 4.Data

4、Mining Concepts and Techniques. (影印版). 北京：高等教育出版社，2001 5.有關(guān)參考資料和文獻、學(xué)術(shù)刊物上有關(guān)論文,7-,主要內(nèi)容,數(shù)據(jù)倉庫與數(shù)據(jù)挖掘概述 數(shù)據(jù)倉庫的數(shù)據(jù)模型與數(shù)據(jù)組織 數(shù)據(jù)倉庫的開發(fā)方法及開發(fā)過程 數(shù)據(jù)集市及開發(fā) OLAP概述、MOLAP與ROLAP 數(shù)據(jù)挖掘技術(shù)與算法 數(shù)據(jù)挖掘工具及其應(yīng)用,8-,第1章 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘概述,本章要點 數(shù)據(jù)倉庫的發(fā)展 數(shù)據(jù)倉庫的基本概念 數(shù)據(jù)挖掘的發(fā)展 數(shù)據(jù)挖掘的基本概念 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的集成,9-,1. 引 言,在最近的幾十年當(dāng)中，有關(guān)數(shù)據(jù)庫新技術(shù)的研究有三件事情值得我們加以關(guān)注：,面向?qū)ο髷?shù)據(jù)

5、庫： 80年代末 ,數(shù) 據(jù) 倉 庫： 90年代初 ,對象-關(guān)系數(shù)據(jù)庫：90年代中 ,10-,數(shù)據(jù)庫方式,數(shù)據(jù)倉庫方式,80年代以后,90年代以后,以支持日常業(yè)務(wù)處理過程為目的（OLTP）,以支持經(jīng)營管理過程中的決策制定為目的（DSS）,進入90年代以后，數(shù)據(jù)庫系統(tǒng)的應(yīng)用從傳統(tǒng)的事務(wù)處理應(yīng)用擴展到輔助決策等新的集成應(yīng)用領(lǐng)域。,11-,面向?qū)ο髷?shù)據(jù)庫,數(shù)據(jù)倉庫,對象-關(guān)系數(shù)據(jù)庫,為傳統(tǒng)的RDB開拓了新的應(yīng)用途徑： 聯(lián)機分析處理（OLAP） 數(shù)據(jù)挖掘（DM）,12-,2. 從數(shù)據(jù)庫到數(shù)據(jù)倉庫,基于數(shù)據(jù)庫技術(shù)的數(shù)據(jù)處理操作可以分為兩大類：,操作型處理,分析型處理,13-,操作型處理,分析型處理,也叫事

6、務(wù)處理，是指對數(shù)據(jù)庫的日常聯(lián)機訪問操作，所以也叫聯(lián)機事務(wù)處理(OLTP: On-Line Transaction Process)。 其訪問特點是： 通常僅僅是對一個或一組記錄的查詢或修改 執(zhí)行頻率高 人們關(guān)心的是處理的響應(yīng)時間、數(shù)據(jù)的安全性和完整性等指標(biāo)。,14-,操作型處理,分析型處理,也叫聯(lián)機分析處理(OLAP:On-Line Analyses Process).用于企業(yè)管理人員的決策分析，為制訂企業(yè)的未來經(jīng)營管理計劃提供輔助決策信息，如決策支持系統(tǒng)(DSS-Decision Support System )。 其訪問特點是： 需要執(zhí)行大量的統(tǒng)計操作 需要訪問大量的歷史數(shù)據(jù) 執(zhí)行頻率和對

7、響應(yīng)時間的要求都不高。,15-,決策支持系統(tǒng)是70年代興起的一種計算機應(yīng)用技術(shù)，用于幫助企業(yè)領(lǐng)導(dǎo)作輔助性決策。 傳統(tǒng)的DSS系統(tǒng)由三個組成部分：數(shù)據(jù)、算法與模型、展示。其結(jié)構(gòu)模型如圖1所示：,16-,在傳統(tǒng)的以數(shù)據(jù)庫為核心的事務(wù)處理環(huán)境中不適宜建立DSS等分析型應(yīng)用的原因主要有以下五條：,事務(wù)處理：用戶每次操作處理的時間短，存取數(shù)據(jù)量小，但操作頻率高，并發(fā)程度大。 分析處理：每次分析可能需要連續(xù)運行很長的時間，存取數(shù)據(jù)量大，但很少做這樣的分析處理，也沒有并發(fā)執(zhí)行的要求。,（1） 事務(wù)處理和分析處理的性能特性不同,17-,分析處理：DSS需要集成的數(shù)據(jù)，包括整個企業(yè)內(nèi)部各部門的相關(guān)數(shù)據(jù)，還需要企

8、業(yè)外部、競爭對手等處的相關(guān)數(shù)據(jù)。全面而正確的數(shù)據(jù)是有效的分析和決策的首要前提。 因此用于分析處理的數(shù)據(jù)可能來自多種不同的數(shù)據(jù)源，包括： 同構(gòu)/異構(gòu)數(shù)據(jù)庫 文件系統(tǒng) Internet 外部的用戶數(shù)據(jù)。,（2）數(shù)據(jù)集成問題,事務(wù)處理：一般只需要與本部門業(yè)務(wù)有關(guān)的當(dāng)前細節(jié)數(shù)據(jù)，而對整個企業(yè)范圍內(nèi)的集成應(yīng)用考慮很少，這就造成大部分企業(yè)內(nèi)部的數(shù)據(jù)是分散而非集成的。 事務(wù)處理應(yīng)用的分散性 “蜘蛛網(wǎng)”問題 數(shù)據(jù)不一致問題 外部數(shù)據(jù)（非結(jié)構(gòu)化數(shù)據(jù)）,18-,對于需要集成數(shù)據(jù)的DSS應(yīng)用來說，在應(yīng)用程序中對事務(wù)處理環(huán)境中的這些紛繁復(fù)雜的數(shù)據(jù)進行集成將大大加重程序員的負擔(dān)，而且每做一次分析，就需要進行一次這樣的集

9、成，也會導(dǎo)致分析處理的效率極低。,19-,靜態(tài)集成：對所需數(shù)據(jù)進行一次集成，以后就不再發(fā)生變化。在采用靜態(tài)集成策略時，如果數(shù)據(jù)源中的數(shù)據(jù)發(fā)生了變化，那么這些變化就不能反映給決策者，導(dǎo)致決策使用的是過時的數(shù)據(jù)。 動態(tài)集成：對集成后的數(shù)據(jù)進行周期性刷新。,（3）數(shù)據(jù)動態(tài)集成問題,20-,事務(wù)處理：一般只需要當(dāng)前數(shù)據(jù)，數(shù)據(jù)庫中的過時數(shù)據(jù)雖然也能通過數(shù)據(jù)轉(zhuǎn)儲等方式保存下來，但往往被束之高閣，未能得到充分利用。 分析處理：更看重歷史數(shù)據(jù)，可以通過對大量歷史數(shù)據(jù)的詳細分析來把握企業(yè)的發(fā)展趨勢。,（4）歷史數(shù)據(jù)問題,21-,分析處理：需要的往往是大量的總結(jié)性分析型數(shù)據(jù)，而非數(shù)據(jù)庫中的細節(jié)性操作型數(shù)據(jù)。 事務(wù)

10、處理：需要的是當(dāng)前的細節(jié)性操作數(shù)據(jù)。,（5）數(shù)據(jù)的綜合問題,22-,事務(wù)處理系統(tǒng)中積累的是大量的細節(jié)數(shù)據(jù)，而DSS并不對這些細節(jié)數(shù)據(jù)進行分析。這就是常說的數(shù)據(jù)庫中“數(shù)據(jù)豐富、信息匱乏”。 數(shù)據(jù)庫中太多的細節(jié)數(shù)據(jù)一方面會影響分析的效率，另一方面也不利于分析人員將注意力集中于有用的信息上。因此，在分析前往往需要對細節(jié)數(shù)據(jù)進行不同程度的綜合，在數(shù)據(jù)庫系統(tǒng)中，這種綜合還往往因為是一種數(shù)據(jù)冗余而被限制。,23-,分析處理：數(shù)據(jù)的訪問操作以讀操作為主，不需要實時的更新操作，但需要定時刷新。 事務(wù)處理：提供多種不同類型的數(shù)據(jù)訪問操作，對于需要修改的數(shù)據(jù)必須實時更新數(shù)據(jù)庫。,（6）數(shù)據(jù)的訪問問題,24-,綜上

11、所述，在事務(wù)處理環(huán)境中直接構(gòu)建分析處理應(yīng)用是不合適的，要提高分析處理和決策支持的效率和有效性，必須將分析型處理及其所需的綜合性數(shù)據(jù)從傳統(tǒng)的事務(wù)型處理和細節(jié)性數(shù)據(jù)中分離出來，按照DSS的需要重新進行組織，建立單獨的分析處理環(huán)境，數(shù)據(jù)倉庫正是為了建立這種新的分析處理環(huán)境而出現(xiàn)的一種數(shù)據(jù)存儲和組織技術(shù)。 目前，數(shù)據(jù)倉庫技術(shù)正成為企業(yè)信息集成和輔助決策應(yīng)用的關(guān)鍵技術(shù)之一。,25-,在現(xiàn)代計算機信息系統(tǒng)中，數(shù)據(jù)的作用有兩個方面：事務(wù)處理和分析處理（數(shù)據(jù)分析），不同的用戶需要不同的數(shù)據(jù)信息。 操作型數(shù)據(jù)：事務(wù)處理所需要的細節(jié)性的數(shù)據(jù) 分析型數(shù)據(jù)：分析處理所需的綜合性數(shù)據(jù),3. 數(shù)據(jù)分析與數(shù)據(jù)倉庫,26-,

12、表1 操作型數(shù)據(jù)與分析型數(shù)據(jù)的區(qū)別,27-,20世紀80年代中期，數(shù)據(jù)倉庫之父W.H.Inmon 對數(shù)據(jù)倉庫所下的定義： 數(shù)據(jù)倉庫就是一個面向主題的、集成的、不可更新的、隨時間不斷變化的數(shù)據(jù)集合。,28-,主題（Subject）：特定的數(shù)據(jù)分析領(lǐng)域與目標(biāo)。 面向主題：為特定的數(shù)據(jù)分析領(lǐng)域提供數(shù)據(jù)支持。 為特定數(shù)據(jù)分析領(lǐng)域提供的數(shù)據(jù)與傳統(tǒng)數(shù)據(jù)庫中的數(shù)據(jù)是有不同的。傳統(tǒng)數(shù)據(jù)庫中的數(shù)據(jù)是原始的、基礎(chǔ)的數(shù)據(jù)，而特定分析領(lǐng)域數(shù)據(jù)則是需要對它們作必要的抽取、加工與總結(jié)而形成。,4. 數(shù)據(jù)倉庫的四大特色,（1）面向主題,29-,數(shù)據(jù)倉庫是面向分析、決策人員的主觀要求的，不同的用戶有不同的要求，同一個用戶的要

13、求也會隨時間而經(jīng)常變化，因此，數(shù)據(jù)倉庫中的主題有時會因用戶主觀要求的變化而變化的。 例1：一個面向事務(wù)處理的“商場”數(shù)據(jù)庫系統(tǒng)，其數(shù)據(jù)模式如下：,30-,采購子系統(tǒng)： 訂單（訂單號，供應(yīng)商號，總金額，日期） 訂單細則（訂單號，商品號，類別，單價，數(shù)量） 供應(yīng)商（供應(yīng)商號，供應(yīng)商名，地址，電話） 銷售子系統(tǒng)： 顧客（顧客號，姓名，性別，年齡，文化程度，地址，電話） 銷售（員工號，顧客號，商品號，數(shù)量，單價，日期）,31-,庫存管理子系統(tǒng)： 領(lǐng)料單（領(lǐng)料單號，領(lǐng)料人，商品號，數(shù)量，日期） 進料單（進料單號，訂單號，進料人，收料人，日期） 庫存（商品號，庫房號，庫存量，日期） 庫房（庫房號，倉庫管理

14、員，地點，庫存商品描述） 人事管理子系統(tǒng)： 員工（員工號，姓名，性別，年齡，文化程度，部門號） 部門（部門號，部門名稱，部門主管，電話）,32-,上述數(shù)據(jù)模式基本上是按照企業(yè)內(nèi)部的業(yè)務(wù)活動及其需要的相關(guān)數(shù)據(jù)來組織數(shù)據(jù)的存儲的，沒有實現(xiàn)真正的數(shù)據(jù)與應(yīng)用分離，其抽象程度也不夠高。 如果按照面向主題的方式進行數(shù)據(jù)組織，首先應(yīng)該抽取主題，即按照管理人員的分析要求來確定主題，而與每個主題相關(guān)的數(shù)據(jù)又與有關(guān)的事務(wù)處理所需的數(shù)據(jù)不盡相同。,33-,商品固有信息：商品號，商品名，類別，顏色等 商品采購信息：商品號，供應(yīng)商號，供應(yīng)價，供應(yīng)日期，供應(yīng)量等 商品銷售信息：商品號，顧客號，售價，銷售日期，銷售量等 商

15、品庫存信息：商品號，庫房號，庫存量，日期等,主題一：商品,34-,供應(yīng)商固有信息：供應(yīng)商號，供應(yīng)商名，地址，電話等 供應(yīng)商品信息：供應(yīng)商號，商品號，供應(yīng)價，供應(yīng)日期，供應(yīng)量等,主題二：供應(yīng)商,35-,顧客固有信息：顧客號，顧客名，性別，年齡，文化程度，住址，電話等 顧客購物信息：顧客號，商品號，售價，購買日期，購買量等,主題三：顧客,36-,在每個主題中，都包含了有關(guān)該主題的所有信息，同時又拋棄了與分析處理無關(guān)或不需要的數(shù)據(jù)，從而將原本分散在各個子系統(tǒng)中的有關(guān)信息集中在一個主題中，形成有關(guān)該主題的一個完整一致的描述。面向主題的數(shù)據(jù)組織方式所強調(diào)的就是要形成一個這樣一致的信息集合。 不同的主題之

16、間也有重疊的內(nèi)容，但這種重疊是邏輯上的，而不是物理存儲上的重疊；是部分細節(jié)的重疊，而不是完全的重疊。,37-,每個主題所需數(shù)據(jù)的物理存儲：,多維數(shù)據(jù)庫（MDDBMulti-Dimensional DataBase）：用多維數(shù)組形式存儲數(shù)據(jù)。 關(guān)系數(shù)據(jù)庫：用一組關(guān)系來組織數(shù)據(jù)的存儲，同一主題的一組關(guān)系都有一個公共的關(guān)鍵字，存放的也不是細節(jié)性的業(yè)務(wù)數(shù)據(jù)，而是經(jīng)過一定程度的綜合形成的綜合性數(shù)據(jù)。,38-,數(shù)據(jù)倉庫中的數(shù)據(jù)是為分析服務(wù)的，而分析需要多種廣泛的不同數(shù)據(jù)源以便進行比較、鑒別，因此數(shù)據(jù)倉庫中的數(shù)據(jù)必須從多個數(shù)據(jù)源中獲取，通過數(shù)據(jù)集成而形成數(shù)據(jù)倉庫中的數(shù)據(jù)。,（2）集成的,集成的方法： 統(tǒng)一：

17、消除不一致的現(xiàn)象 綜合：對原有數(shù)據(jù)進行綜合和計算,39-,數(shù)據(jù)倉庫中的數(shù)據(jù)是經(jīng)過抽取而形成的分析型數(shù)據(jù)，不具有原始性，主要供企業(yè)決策分析之用，執(zhí)行的主要是“查詢”操作，一般不執(zhí)行“更新”操作。 但這也不等于數(shù)據(jù)倉庫中的數(shù)據(jù)不需要“更新”操作。 在需要進行新的分析決策時，可能需要進行新的數(shù)據(jù)抽取和“更新”操作 數(shù)據(jù)倉庫中的一些過時的數(shù)據(jù)，也可以通過“刪除”操作丟棄掉。,（3）不可更新,40-,數(shù)據(jù)倉庫中的數(shù)據(jù)必須以一定時間段為單位進行統(tǒng)一更新。,（4）隨時間不斷變化,不斷增加新的數(shù)據(jù)內(nèi)容 不斷刪去舊的數(shù)據(jù)內(nèi)容 更新與時間有關(guān)的綜合數(shù)據(jù),41-,42-,數(shù)據(jù)挖掘（Data Mining，簡記為DM

18、）：是指從大型數(shù)據(jù)庫或數(shù)據(jù)倉庫中提取隱含的、未知的、非平凡的及有潛在應(yīng)用價值的信息或模式的高級處理過程。 模式：即知識，它給出了數(shù)據(jù)特性或數(shù)據(jù)之間的關(guān)系，是對數(shù)據(jù)所包含的信息更抽象的描述。按功能可以分為預(yù)測型模式和描述型模式。在實際應(yīng)用中，可以細分為關(guān)聯(lián)模式、分類模式、聚類模式和序列模式等。,數(shù)據(jù)挖掘的定義,43-,沃爾瑪通過建立的數(shù)據(jù)倉庫，按周期統(tǒng)計產(chǎn)品的銷售信息，經(jīng)過科學(xué)建模后提煉決策層數(shù)據(jù)。結(jié)果發(fā)現(xiàn)：每逢周末，位于某地區(qū)的沃爾瑪連鎖超市啤酒和尿布的銷量很大。進一步調(diào)查表明，在美國有孩子的家庭中，太太經(jīng)常囑咐他們的丈夫下班以后要為孩子買尿布，而丈夫們在買完尿布以后又順手帶回了自己愛喝的啤酒

19、，因此啤酒和尿布一起購買的機會是最多的。之后該店打破常規(guī)，將啤酒和尿布的貨架放在了一起，使得啤酒和尿布的銷量進一步增長。,數(shù)據(jù)挖掘經(jīng)典舉例-啤酒和尿布,44-,數(shù)據(jù)挖掘和數(shù)據(jù)倉庫是作為兩種獨立的信息技術(shù)出現(xiàn)的。它們都可以完成對決策過程的支持，并且相互間有一定的內(nèi)在聯(lián)系。因此，將數(shù)據(jù)倉庫與數(shù)據(jù)挖掘集成到一個系統(tǒng)中將能夠更有效地提高系統(tǒng)的決策支持能力。 數(shù)據(jù)挖掘是一門交叉性學(xué)科，它涉及到機器學(xué)習(xí)、模式識別、統(tǒng)計學(xué)、智能數(shù)據(jù)庫、知識獲取、數(shù)據(jù)可視化、高性能計算、專家系統(tǒng)等多個領(lǐng)域。可廣泛地應(yīng)用于信息管理、過程控制、科學(xué)研究、決策支持等許多方面。,45-,數(shù)據(jù)挖掘的任務(wù)是從大量的數(shù)據(jù)中發(fā)現(xiàn)模式。根據(jù)數(shù)

20、據(jù)挖掘的任務(wù)可分為多種類型，其中比較典型的有： 預(yù)測模型 關(guān)聯(lián)分析 分類分析 聚類分析,數(shù)據(jù)挖掘的類型,序列分析 偏差檢測 模式相似性挖掘 Web數(shù)據(jù)挖掘,46-,預(yù)測模型（Predictive Modeling）：所謂預(yù)測即從數(shù)據(jù)庫或數(shù)據(jù)倉庫中已知的數(shù)據(jù)推測未知的數(shù)據(jù)或?qū)ο蠹心承傩缘闹捣植?。如預(yù)測用戶的業(yè)務(wù)趨勢。 建立預(yù)測模型的常用方法： 回歸分析 線性模型 關(guān)聯(lián)規(guī)則,預(yù)測模型,決策樹預(yù)測 遺傳算法 神經(jīng)網(wǎng)絡(luò),47-,關(guān)聯(lián)（Association）分析：關(guān)聯(lián)規(guī)則描述了一組數(shù)據(jù)項之間的密切度或關(guān)系。關(guān)聯(lián)分析用于發(fā)現(xiàn)項目集之間的關(guān)聯(lián)。 關(guān)聯(lián)規(guī)則挖掘近幾年研究較多。現(xiàn)在，關(guān)聯(lián)規(guī)則的挖掘已經(jīng)從單

21、一概念層次關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)發(fā)展到多概念層次的關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)，并把研究的重點放在提高算法的效率和規(guī)?？墒湛s性上。它廣泛地運用于幫助市場導(dǎo)向、商品目錄設(shè)計等商業(yè)決策過程中?！捌【坪湍虿肌笔墙?jīng)典的關(guān)聯(lián)分析。,關(guān)聯(lián)分析,48-,關(guān)聯(lián)分析算法：APRIORI算法、DHP算法、DIC算法、PARTITION算法及它們的各種改進算法等。另外，對于大規(guī)模、分布在不同站點上的數(shù)據(jù)庫或數(shù)據(jù)倉庫，關(guān)聯(lián)規(guī)則的挖掘可以使用并行算法，如：Count分布算法、Data分布算法、Candidate 分布算法、智能Data分布算法（IDD）和DMA分布算法等。,49-,分類（Classification）分析：根據(jù)數(shù)據(jù)的特征為每個類別建立一個模型，根據(jù)數(shù)據(jù)的屬性將數(shù)據(jù)分配到不同的組中。 分類分析已經(jīng)成功地用于顧客分類、疾病分類、商業(yè)建模和信用卡分析等。 分類分析的常用方法：決策樹、粗糙集（Rough Set） 、神經(jīng)網(wǎng)絡(luò)、統(tǒng)計分析法。,分類分析,50-,聚類(Clustering)分析：聚類分析是按照某種相近程度度量方法將數(shù)據(jù)分成互不相同的一些分組。每一個分組中的數(shù)據(jù)相近，不同分組之間的數(shù)據(jù)相差較大。 聚類分析的常用方法：隨機搜索聚類法、特征聚類、CF樹。,聚類分析,51-,序列（Sequence）分析：