1、第三章第三章 概念描述概念描述 目的：既要对数据作出一个精确简明的特性描述，又要能给出各种不同类或不同概念的数据间的比较。 特征化和比较数据挖掘发现知识的类型数据挖掘发现知识的类型l 概念描述（广义知识 ）l 关联知识l 分类知识l 预测型知识l 偏差型知识广义知识（概念描述）广义知识（概念描述）从数据分析角度出发，数据挖掘可以分为两种类型描述性数据挖掘 : 以简洁概述的方式表达数据中的存在的一些有意义的性质预测性数据挖掘 : 分析数据，建立一个或一组模型，并试图预测新数据集的行为l数据库中数据及对象在基本概念层次包含了许多细节性的数据信息。 在商场销售数据库的商品信息数据中，就包含了许多诸如
2、：商品编号、商品名称、商品品牌等低层次信息，对这类大量的数据进行更高层次抽象以提供一个概要性描述是十分重要的。 例如：对春节所销售商品情况进行概要描述，对于市场和销售主管来讲显然是十分重要的。购买行为 1 帮宝适纸尿布 20片装 , 青岛啤酒购买行为 2 帮宝适纸尿布 20片装 , 百威啤酒购买行为 3 好奇纸尿布 50片装 , 青岛啤酒购买行为 4 好奇纸尿布 20片装 , 青岛啤酒l最简单的描述型数据挖掘就是 概念描述 。概念描述常常也称为 定性归纳 。这里概念描述涉及一组（同一类别）的对象，诸如：商店常客等。l概念描述生成对数据的定性描述和对比定性描述。 特征化： 对目标数据进行概述性的
3、总结（通过数据泛化得到）。 比较 : 对两个 或以上 数据集合概化后，进行对比并将对比结果进行概化。（以表格或对比规则形式给出）l 如一个大学中讲师、副教授的情况 讲师： 75% (papers=3) and (teaching courses=2)概念描述和数据的泛化有着密不可分的关系： 概念描述与数据泛化AOI（面向属性的归纳）AOI方法学习规则基于规则的 AOI学习方法Outline：概念描述与数据泛化AOI（面向属性的归纳）AOI方法学习规则基于规则的 AOI学习方法1. 概念描述与数据泛化概念描述与数据泛化 概念描述 ：不是指许多数据的简单加和，而是要对这些数据的 特性 和 区别 做
4、出描述。特性（ characterization） ： 对一个给定的数据集作一个简洁明了的总结。区别 /比较（ Comparison） ： 提供两种或多种不同类数据的比较描述。数据泛化 ：把一组较低级概念映射到与它们相对应的相对简单、较高层次、与目标有关的概念上。数据泛化方法：(1) OLAP(2) AOI （ Attribute Oriented Induction）， 面向属性的归纳学习技术， 1989年首次提出 2. AOI （ Attribute Oriented Induction）先用关系数据库查询技术选择出与目标相关的数据，然后对这些数据集中的属性值进行检测后做泛化。泛化主要由属
5、性去除和属性泛化（概念提升）来完成。 基本概念：（ 1） Concept hierarchy（ 2） Two kinds of OPERATIONS of AOI （ 3） Attribute generalization control (4) basic strategy (5) Presentation of the Derived Generalization （ 1）概念层次）概念层次把一组较低级的概念映射到与它们相对应的的较高级概念的次序。可以按偏序关系来组织概念集。反应了概念之间的特殊一般的关系，可以用树、格、有向无环图等来表示。 定义 ：概念层次是一个偏序集 ，其中 H是概念的一个有限集， 是关于 H的一个偏序。
