機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘的關(guān)系.doc

《機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘的關(guān)系.doc》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘的關(guān)系前言　　在大多數(shù)非計(jì)算機(jī)專業(yè)人士以及部分計(jì)算機(jī)專業(yè)背景人士眼中，機(jī)器學(xué)習(xí)（DataMining）以及數(shù)據(jù)挖掘（MachineLearning）是兩個(gè)高深的領(lǐng)域。在筆者看來(lái)，這是一種過(guò)高”瞻仰“的習(xí)慣性錯(cuò)誤理解（在這里我加了好多定語(yǔ)）。事實(shí)上，這兩個(gè)領(lǐng)域與計(jì)算機(jī)其他領(lǐng)域一樣都是在融匯理論和實(shí)踐的過(guò)程中不斷熟練和深入，不同之處僅在于滲透了更多的數(shù)學(xué)知識(shí)（主要是統(tǒng)計(jì)學(xué)），在后面的文章中我會(huì)努力將這些數(shù)學(xué)知識(shí)以一種更容易理解的方式講解給大家。本文從基本概念出發(fā)淺析他們的關(guān)系和異同，不講具體算法和數(shù)學(xué)公式。希望對(duì)大家能有所幫助。幾個(gè)相關(guān)示例　　首先，給

2、大家列舉一些生活中與數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)相關(guān)的應(yīng)用示例以幫助大家更好的理解?！　∈纠?（關(guān)聯(lián)問(wèn)題）：　　經(jīng)常去超市的同學(xué)可能會(huì)發(fā)現(xiàn)，我們事先在購(gòu)物清單上列舉好的某些商品可能會(huì)被超市阿姨擺放在相鄰的區(qū)域。例如，機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘的關(guān)系前言　　在大多數(shù)非計(jì)算機(jī)專業(yè)人士以及部分計(jì)算機(jī)專業(yè)背景人士眼中，機(jī)器學(xué)習(xí)（DataMining）以及數(shù)據(jù)挖掘（MachineLearning）是兩個(gè)高深的領(lǐng)域。在筆者看來(lái)，這是一種過(guò)高”瞻仰“的習(xí)慣性錯(cuò)誤理解（在這里我加了好多定語(yǔ)）。事實(shí)上，這兩個(gè)領(lǐng)域與計(jì)算機(jī)其他領(lǐng)域一樣都是在融匯理論和實(shí)踐的過(guò)程中不斷熟練和深入，不同之處僅在于滲透了更多的

3、數(shù)學(xué)知識(shí)（主要是統(tǒng)計(jì)學(xué)），在后面的文章中我會(huì)努力將這些數(shù)學(xué)知識(shí)以一種更容易理解的方式講解給大家。本文從基本概念出發(fā)淺析他們的關(guān)系和異同，不講具體算法和數(shù)學(xué)公式。希望對(duì)大家能有所幫助。幾個(gè)相關(guān)示例　　首先，給大家列舉一些生活中與數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)相關(guān)的應(yīng)用示例以幫助大家更好的理解?！　∈纠?（關(guān)聯(lián)問(wèn)題）：　　經(jīng)常去超市的同學(xué)可能會(huì)發(fā)現(xiàn)，我們事先在購(gòu)物清單上列舉好的某些商品可能會(huì)被超市阿姨擺放在相鄰的區(qū)域。例如，面包柜臺(tái)旁邊會(huì)擺上黃油、面條柜臺(tái)附近一定會(huì)有老干媽等等。這樣的物品擺放會(huì)讓我們的購(gòu)物過(guò)程更加快捷、輕松?！　∧敲慈绾沃滥男┪锲吩摂[放在一塊？又或者用戶在購(gòu)買某

4、一個(gè)商品的情況下購(gòu)買另一個(gè)商品的概率有多大？這就要利用關(guān)聯(lián)數(shù)據(jù)挖掘的相關(guān)算法來(lái)解決?！　∈纠?（分類問(wèn)題）：　　在嘈雜的廣場(chǎng)上，身邊人來(lái)人往。仔細(xì)觀察他們的外貌、衣著、言行等我們會(huì)不自覺(jué)地?cái)嗾撨@個(gè)人是新疆人、東北人或者是上海人。又例如，在剛剛結(jié)束的2015NBA總決賽中，各類權(quán)威機(jī)構(gòu)會(huì)大量分析騎士隊(duì)與勇士隊(duì)的歷史數(shù)據(jù)從而得出騎士隊(duì)或者勇士隊(duì)是否會(huì)奪冠的結(jié)論。　　在上述第一個(gè)例子中，由于地域眾多，在對(duì)人進(jìn)行地域分類的時(shí)候這是一個(gè)典型的多分類問(wèn)題。而在第二個(gè)例子中各類機(jī)構(gòu)預(yù)測(cè)勇士隊(duì)是否會(huì)戰(zhàn)勝騎士隊(duì)奪冠，這是一個(gè)二分類問(wèn)題，其結(jié)果只有兩種。二分類問(wèn)題在業(yè)界的出鏡率異常高，

5、例如在推薦系統(tǒng)中預(yù)測(cè)一個(gè)人是否會(huì)買某個(gè)商品、其他諸如地震預(yù)測(cè)、火災(zāi)預(yù)測(cè)等等?！　∈纠?（聚類問(wèn)題）：　　”物以類聚，人以群分“，生活中到處都有聚類問(wèn)題的影子。假設(shè)銀行擁有若干客戶的歷史消費(fèi)記錄，現(xiàn)在由于業(yè)務(wù)擴(kuò)張需要新增幾款面對(duì)不同人群的理財(cái)產(chǎn)品，那么如何才能準(zhǔn)確的將不同的理財(cái)產(chǎn)品通過(guò)電話留言的方式推薦給不同的人群？這便是一個(gè)聚類問(wèn)題，銀行一般會(huì)將所有的用戶進(jìn)行聚類，有相似特征的用戶屬于同一個(gè)類別，最后將不同理財(cái)產(chǎn)品推薦給相應(yīng)類別的客戶?！　∈纠?（回歸問(wèn)題）：　　回歸問(wèn)題或者稱作預(yù)測(cè)問(wèn)題同樣也是一個(gè)生活中相當(dāng)接地氣的應(yīng)用。大家知道，證券公司會(huì)利用歷史數(shù)據(jù)對(duì)未來(lái)一段時(shí)

6、間或者某一天的股票價(jià)格走勢(shì)進(jìn)行預(yù)測(cè)。同樣，房地產(chǎn)商也會(huì)根據(jù)地域情況對(duì)不同面積樓層的房產(chǎn)進(jìn)行定價(jià)預(yù)測(cè)?！　∩鲜鰞蓚€(gè)示例都是回歸問(wèn)題的典型代表，這類問(wèn)題往往根據(jù)一定的歷史數(shù)據(jù)對(duì)某一個(gè)指定條件下的目標(biāo)預(yù)測(cè)一個(gè)實(shí)數(shù)值?！　∠嘈沤?jīng)過(guò)上面通俗易懂的示例，大家應(yīng)該初步了解數(shù)據(jù)挖掘以及機(jī)器學(xué)習(xí)會(huì)應(yīng)用到哪些問(wèn)題之上（這里列舉的四類問(wèn)題是很常見(jiàn)的，當(dāng)然還有例如異常檢測(cè)等應(yīng)用），這就解決了面對(duì)一個(gè)新問(wèn)題三要素中的Why。下面解釋什么是機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘（即What）以及他們的關(guān)系和異同點(diǎn)。數(shù)據(jù)挖掘　　數(shù)據(jù)挖掘（Datamining），又譯為資料探勘、數(shù)據(jù)采礦。它是數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)（英語(yǔ)：K

7、nowledge-DiscoveryinDatabases，簡(jiǎn)稱：KDD）中的一個(gè)步驟。數(shù)據(jù)挖掘一般是指從大量的數(shù)據(jù)中通過(guò)算法搜索隱藏于其中信息的過(guò)程。數(shù)據(jù)挖掘通常與計(jì)算機(jī)科學(xué)有關(guān)，并通過(guò)統(tǒng)計(jì)、在線分析處理、情報(bào)檢索、機(jī)器學(xué)習(xí)、專家系統(tǒng)（依靠過(guò)去的經(jīng)驗(yàn)法則）和模式識(shí)別等諸多方法來(lái)實(shí)現(xiàn)上述目標(biāo)?！　纳厦娴亩x可以看出數(shù)據(jù)挖掘相對(duì)于機(jī)器學(xué)習(xí)而言是一個(gè)更加偏向應(yīng)用的領(lǐng)域。實(shí)際上，數(shù)據(jù)挖掘是一門涉及面很廣的交叉學(xué)科，在處理各種問(wèn)題時(shí)，只要我們清楚了業(yè)務(wù)邏輯那么就可以將問(wèn)題轉(zhuǎn)換為挖掘問(wèn)題?！　?shù)據(jù)挖掘的處理過(guò)程一般包括數(shù)據(jù)預(yù)處理（ETL、數(shù)據(jù)清洗、數(shù)據(jù)集成等），數(shù)據(jù)倉(cāng)庫(kù)