２． 數(shù)據(jù)準備 數(shù)據(jù)準備 階 段 又 可 分 為 ３ 個 子 步 驟：數(shù) 據(jù) 選 取（ＤａｔａＳｅｌｅｃｔｉｏｎ）、數(shù) 據(jù) 預 處 理（Ｄａｔａ Ｐｒｅｐｒｏｃｅｓｓｉｎｇ）和數(shù)據(jù)變換（ＤａｔａＴｒａｎｓｆｏｒｍａｔｉｏｎ）。 （１） 數(shù)據(jù)選取 血液融漿機 數(shù)據(jù)選取的目的就是根據(jù)數(shù)據(jù)挖掘的目的和任務，確定實現(xiàn)這一目標與任務所需的操作 對象，即目標數(shù)據(jù)（ＴａｒｇｅｔＤａｔａ），它是根據(jù)用戶的需要從原始數(shù)據(jù)庫中抽取的一組相關數(shù)據(jù)。 ３５４ 第十章 數(shù)據(jù)挖掘與Ａｇｅｎｔ技術 （２） 數(shù)據(jù)預處理 由于所選取的數(shù)據(jù)可能具有這樣一些特性：巨 量性、動態(tài) 性、噪聲 性、缺值 和稀疏 性，一 般在實施數(shù)據(jù)挖掘之前應對其進行一些預處理。數(shù)據(jù)預處理一般可能包括消除噪聲或數(shù)據(jù) 清洗、推導計算缺值數(shù)據(jù)、消除數(shù)據(jù)的不一致性、消除重復記錄以及完成數(shù)據(jù)類型轉換（如把 連
續(xù)值數(shù)據(jù)轉換為離散型的數(shù)據(jù)，以便于符號 歸納，或 是把離 散型 的轉 換為連 續(xù)值 型的，以 便于神經網絡歸納）等，以確保數(shù)據(jù)的質量，為進一步的數(shù)據(jù)分析做準備。 （３） 數(shù)據(jù)變換 數(shù)據(jù)變換的主要目 的是 消減 數(shù)據(jù) 維數(shù) 或 降維（ＤｉｍｅｎｓｉｏｎＲｅｄｕｃｔｉｏｎ），即 從初 始 特征 中 找出真正有用的特征以減少數(shù)據(jù)挖掘時要考 慮的特 征或 變量個 數(shù)。另 外，為 了適 應所 選擇 的數(shù)據(jù)挖掘算法和工具，也要對數(shù)據(jù)做一些相應的變換。比如，神經網絡要求所有的變量的 取值都在０～１之間，因此在一些數(shù)據(jù)（包括非數(shù)值數(shù)據(jù)）被提交到神經網絡算法之前就必須 先對不在［０，１］內的變量進行映射變換。 ３． 數(shù)據(jù)挖掘 數(shù)據(jù)挖掘階段的任務是 首先 確定 數(shù)據(jù) 挖掘 要 完成 什么 樣的 功能，如數(shù) 據(jù) 總結、數(shù)據(jù) 分 類、數(shù)據(jù)聚類、趨勢分析、關聯(lián)規(guī)則發(fā)現(xiàn)或序 列模式 發(fā)現(xiàn) 等。在確 定要 完成的 數(shù)據(jù) 挖掘 功能 后，就要決定使用什么樣的挖掘算法，同樣的任務可
以用不同的算法來實現(xiàn)。選擇實現(xiàn)算法 有兩個考慮因素：一是不同的數(shù)據(jù)有不同的特 點，因此 需要用 與之 相關 的算法 來挖 掘；二是 用戶或實際運行系統(tǒng)的要求，有的用戶 可能希 望獲 取描 述型的（Ｄｅｓｃｒｉｐｔｉｖｅ）、容易 理解 的知 識（在這種情況下，采用規(guī)則表示的挖掘方法顯然要好于神經網絡之類的方法），而有的用戶 或系統(tǒng)的目的是獲取預測準確度盡可能高 的預測 型（Ｐｒｅｄｉｃｔｉｖｅ）知識。 算法確 定之 后，就由 挖掘系統(tǒng)對數(shù)據(jù)進行分析，實現(xiàn)自動挖掘。數(shù) 據(jù)挖掘 算法是 ＫＤＤ 的核 心，也 是目 前研 究人 員主要努力的方向，要獲得好的挖掘效果，必須對各種挖掘算法的要求或前提假設有充分的 理解。 ４． 結果的解釋評價與可視化
