２． 數據準備 數據準備 階 段 又 可 分 為 ３ 個 子 步 驟：數 據 選 �。ǎ模幔簦幔樱澹欤澹悖簦椋铮睿�、數 據 預 處 理（Ｄａｔａ Ｐｒｅｐｒｏｃｅｓｓｉｎｇ）和數據變換（ＤａｔａＴｒａｎｓｆｏｒｍａｔｉｏｎ）。 （１） 數據選取 血液融漿機 數據選取的目的就是根據數據挖掘的目的和任務，確定實現這一目標與任務所需的操作 對象，即目標數據（ＴａｒｇｅｔＤａｔａ），它是根據用戶的需要從原始數據庫中抽取的一組相關數據。 ３５４ 第十章 數據挖掘與Ａｇｅｎｔ技術 （２） 數據預處理 由于所選取的數據可能具有這樣一些特性：巨 量性、動態 性、噪聲 性、缺值 和稀疏 性，一 般在實施數據挖掘之前應對其進行一些預處理。數據預處理一般可能包括消除噪聲或數據 清洗、推導計算缺值數據、消除數據的不一致性、消除重復記錄以及完成數據類型轉換（如把 連
續值數據轉換為離散型的數據，以便于符號 歸納，或 是把離 散型 的轉 換為連 續值 型的，以 便于神經網絡歸納）等，以確保數據的質量，為進一步的數據分析做準備。 （３） 數據變換 數據變換的主要目 的是 消減 數據 維數 或 降維（ＤｉｍｅｎｓｉｏｎＲｅｄｕｃｔｉｏｎ），即 從初 始 特征 中 找出真正有用的特征以減少數據挖掘時要考 慮的特 征或 變量個 數。另 外，為 了適 應所 選擇 的數據挖掘算法和工具，也要對數據做一些相應的變換。比如，神經網絡要求所有的變量的 取值都在０～１之間，因此在一些數據（包括非數值數據）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． 數據挖掘 數據挖掘階段的任務是 首先 確定 數據 挖掘 要 完成 什么 樣的 功能，如數 據 總結、數據 分 類、數據聚類、趨勢分析、關聯規則發現或序 列模式 發現 等。在確 定要 完成的 數據 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。選擇實現算法 有兩個考慮因素：一是不同的數據有不同的特 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 挖掘系統對數據進行分析，實現自動挖掘。數 據挖掘 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
