２． 数据准备 数据准备 阶 段 又 可 分 为 ３ 个 子 步 骤：数 据 选 取（ＤａｔａＳｅｌｅｃｔｉｏｎ）、数 据 预 处 理（Ｄａｔａ Ｐｒｅｐｒｏｃｅｓｓｉｎｇ）和数据变换（ＤａｔａＴｒａｎｓｆｏｒｍａｔｉｏｎ）。 （１） 数据选取 血液融浆机 数据选取的目的就是根据数据挖掘的目的和任务，确定实现这一目标与任务所需的操作 对象，即目标数据（ＴａｒｇｅｔＤａｔａ），它是根据用户的需要从原始数据库中抽取的一组相关数据。 ３５４ 第十章 数据挖掘与Ａｇｅｎｔ技术 （２） 数据预处理 由于所选取的数据可能具有这样一些特性：巨 量性、动态 性、噪声 性、缺值 和稀疏 性，一 般在实施数据挖掘之前应对其进行一些预处理。数据预处理一般可能包括消除噪声或数据 清洗、推导计算缺值数据、消除数据的不一致性、消除重复记录以及完成数据类型转换（如把 连
续值数据转换为离散型的数据，以便于符号 归纳，或 是把离 散型 的转 换为连 续值 型的，以 便于神经网络归纳）等，以确保数据的质量，为进一步的数据分析做准备。 （３） 数据变换 数据变换的主要目 的是 消减 数据 维数 或 降维（ＤｉｍｅｎｓｉｏｎＲｅｄｕｃｔｉｏｎ），即 从初 始 特征 中 找出真正有用的特征以减少数据挖掘时要考 虑的特 征或 变量个 数。另 外，为 了适 应所 选择 的数据挖掘算法和工具，也要对数据做一些相应的变换。比如，神经网络要求所有的变量的 取值都在０～１之间，因此在一些数据（包括非数值数据）被提交到神经网络算法之前就必须 先对不在［０，１］内的变量进行映射变换。 ３． 数据挖掘 数据挖掘阶段的任务是 首先 确定 数据 挖掘 要 完成 什么 样的 功能，如数 据 总结、数据 分 类、数据聚类、趋势分析、关联规则发现或序 列模式 发现 等。在确 定要 完成的 数据 挖掘 功能 后，就要决定使用什么样的挖掘算法，同样的任务可
以用不同的算法来实现。选择实现算法 有两个考虑因素：一是不同的数据有不同的特 点，因此 需要用 与之 相关 的算法 来挖 掘；二是 用户或实际运行系统的要求，有的用户 可能希 望获 取描 述型的（Ｄｅｓｃｒｉｐｔｉｖｅ）、容易 理解 的知 识（在这种情况下，采用规则表示的挖掘方法显然要好于神经网络之类的方法），而有的用户 或系统的目的是获取预测准确度尽可能高 的预测 型（Ｐｒｅｄｉｃｔｉｖｅ）知识。 算法确 定之 后，就由 挖掘系统对数据进行分析，实现自动挖掘。数 据挖掘 算法是 ＫＤＤ 的核 心，也 是目 前研 究人 员主要努力的方向，要获得好的挖掘效果，必须对各种挖掘算法的要求或前提假设有充分的 理解。 ４． 结果的解释评价与可视化
