一、概述

数据挖掘（Data Mining）：从大量数据中寻找其规律的技术，是统计学、数据库和人工智能等技术的综合，是从大量、不完全、有噪声、模糊、随机的实际应用数据中，提取隐含在其中、事先不知道、但有潜在的有用信息和知识的过程。

数据挖掘的四大核心任务：关联分析、分类与预测、聚类分析、异常检测。

二、关联分析

关联：某种事物发生时其他事物也会发生。

关联规则的表示形式
R：X→Y，其中，X和Y是两个不相交的项集，即X，Y⊂I 且X∩Y=Φ
X称为规则的前提或前项，Y称为结果或后项

概念：

• 交易（事务）：每一条购买记录成为一个交易。
• 项集：包含一个或多个项的集合。
• 支持数（σ）：一个项集在所有交易中出现的次数。
• 支持度（s）：s（X→Y）= 同时包含X和Y的交易数 / 总交易数
• 置信度（c）：c（X→Y）= 同时包含X和Y的交易数 / 以X作为前项的交易数

关联分析步骤：

1. 设定最小支持度minsup和最小置信度minconf
2. 找出（s ≥ minsup）∧（c ≥ minconf）的项集作为频繁项集
3. 由频繁项集产生强关联规则

用于寻找频繁项集的算法

算法一：蛮力法

当有d个项时，将产生$2^d$个候选项集，产生的关联规则总个数有$3^d-2^d+1$。

算法二：Apriopri算法（先验算法）

算法基于的先验知识：频繁项集的子集也一定是频繁的。例如：如果{A，B}是频繁项集，则{A}和{B}也一定是频繁项集。

对于k各项，从1到k，递归地查找频繁项集。

三、分类与预测

分类：用于预测离散的目标变量，预测类别未知的数据项的类别。
预测：用于预测连续的目标变量，主要方法时回归。

分类的目的时获取分类函数或分类模型（分类器），该模型能把数据项映射到一个指定类别。
分类可用于提取描述重要数据类的模型或预测未来的数据趋势。步骤为1.创建模型；2.使用模型。

k近邻算法（kNN）

给定测试样本和阈值k（可以使用交叉检验确定），基于某种距离度量（如欧氏距离）找出训练集中于测试样本最靠近的k个训练样本，然后基于这k 个邻居的信息来进行预测：在分类任务中，采用“投票法”，即选择这k个邻居中出现最对的类别作为预测结果；在回归任务中，采用“平均法”，即将k个邻居的实际输出的平均值作为预测结果；还可以基于距离远近进行加权平均或加权投票。

难点：样本的非数值特征如何转化为数值、不同特征对距离度量的影响权值如何确定。
优点：易于理解，易于实现，无需训练（懒惰学习）；精度高，对异常值不敏感。
缺点：计算量大，空间开销大。

四、聚类分析

无监督的分类，是指把一组数据分成不同的簇，每簇中的数据相似而不同簇间的数据距离较远。
原则：最大化类内相似性、最小化类间相似性。

k均值算法（k-means）

是一种简便、使用的无监督聚类分析算法。在已知簇的个数时，可以很好地实现数据的聚类分析。

首先，随机选择K个点作为聚类中心，计算其他样本与各个聚类中心的向量距离，将每个样本都划入与其距离最近的聚类中心对应的簇中。对每一个簇，计算其中所有样本的均值向量，产生K个新的聚类中心。如此反复，不断改变聚类中心的位置，直到聚类中心不再变化或达到迭代上限为止。

五、异常分析

又称为偏差分析或离群点分析。离群点指异常对象，属性是明显偏离期望或常见的属性值。

六、数据挖掘在电子商务中的应用

数据来源

• 服务器数据（系统日志、访问日志）
• 在线销售数据（订单、收藏信息）
• Web页面数据（浏览次数）
• Web页面超链接关系
• 客户注册信息
• ……

常用数据挖掘技术

1.路径分析

用于判断在一个Web站点中最频繁访问的路径。
可以用于改进页面及网站结构的设计。

2.关联规则

找到客户对网站上各种文件和资源之间访问的相互联系。
可用于更好的组织站点，实施有效的市场策略。

3.序列模式

找到与时间相关，“一个项跟随另一个项”的内部事务模式。
能够用于预测用户的访问模式，对客户开展有针对性的广告和促销服务。

4.分类

给出识别一个特殊群体的公共属性的描述，可以用来分类（预测）新的项。
可以进行适合某一类客户的商务活动。

5.聚类

从Web访问信息数据中聚集出具有相似特性的客户。
能够便于开发和执行未来的市场战略。