通用數(shù)據(jù) 挖掘該工具不區(qū)分特定數(shù)據(jù)的含義，采用通用挖掘算法處理通用數(shù)據(jù)類型。通用數(shù)據(jù) 挖掘工具不區(qū)分具體數(shù)據(jù)的含義，采用通用挖掘算法處理常見數(shù)據(jù)類型。比如IBM的Almaden研究中心開發(fā)的QUEST 系統(tǒng)通用-4 挖掘工具可以多種模式制作挖掘、挖掘用什么挖掘均由用戶根據(jù)自己的應用選擇。

十三種常用技術-4挖掘第一，最前沿-4挖掘是從大量的不完整、嘈雜、模糊、隨機。數(shù)據(jù) 挖掘的任務是從數(shù)據(jù)中尋找模式。可以發(fā)現(xiàn)的模式有很多，按照功能可以分為兩類:預測型模式和描述型模式。

數(shù)據(jù) 挖掘涉及的學科和技術很多，分類也很多。根據(jù)挖掘 task可分為分類或預測模型發(fā)現(xiàn)、數(shù)據(jù)總結(jié)、聚類、關聯(lián)規(guī)則發(fā)現(xiàn)、序列模式發(fā)現(xiàn)、依賴或依賴模型發(fā)現(xiàn)、異常和趨勢發(fā)現(xiàn)等。根據(jù)挖掘 object，有關系數(shù)據(jù) library，面向?qū)ο髷?shù)據(jù) library，space 數(shù)據(jù) library，時態(tài)數(shù)據(jù) library和Web/.根據(jù)挖掘方法，大致可以分為:機器學習方法、統(tǒng)計方法、神經(jīng)網(wǎng)絡方法和數(shù)據(jù)庫方法。

摘要:隨著計算機技術的迅速發(fā)展和廣泛應用，特別是數(shù)據(jù) library的普及，為企業(yè)的生產(chǎn)經(jīng)營和決策提供了更加可靠的數(shù)據(jù)支持和信息服務，其中電網(wǎng)自動化是計算機應用的主要體現(xiàn)，給我國電力企業(yè)帶來了巨大的經(jīng)濟效益和發(fā)展。本文關鍵詞:電網(wǎng)自動化數(shù)據(jù) 挖掘中國地圖分類號:TP2文獻識別碼:A文號:16723791(2012)06(c)002701近年來

數(shù)據(jù)庫技術的應用也更加廣泛。目前數(shù)據(jù) library大多只對數(shù)據(jù)進行運算處理，處理后的信息只是數(shù)據(jù) library所包含信息的一部分。無法有效地描述和預測數(shù)據(jù)的整體特征和發(fā)展趨勢，但數(shù)據(jù) 挖掘技術的應用為電網(wǎng)自動化挖掘出了更多有用的信息知識和模式，提供了更便捷的決策支持。

Before數(shù)據(jù)挖掘，通常需要完成模式評估。模式評估是指對-4挖掘task生成的模式進行評估，以確定它們是否有意義和可靠。模式評估包括以下幾個環(huán)節(jié):可行性分析:確定數(shù)據(jù) 挖掘任務的可行性，包括數(shù)據(jù)可用性、數(shù)據(jù)質(zhì)量和算法適用性。數(shù)據(jù)預處理:對原件數(shù)據(jù)進行預處理，包括數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換和。

鋪設網(wǎng)絡、購買硬件、安裝管理軟件、建立系統(tǒng)不是信息化的本質(zhì)，但是信息資源和信息的開發(fā)利用挖掘才是企業(yè)信息化的主線。雖然是陽春三月，但許多企業(yè)仍然感到寒意。受全球金融危機影響，訂單取消、企業(yè)銷售下滑成為企業(yè)管理者最頭疼的問題。在這種經(jīng)濟形勢下，企業(yè)的IT部署和采購自然慢了下來。那么，IT部門能做些什么呢？

在此基礎上，通過數(shù)據(jù)的分析，可以為管理者提供一些決策信息。顯然數(shù)據(jù)的分析已經(jīng)成為企業(yè)信息化發(fā)展到一定程度后的普遍需求。因為鋪設網(wǎng)絡、購買硬件、安裝管理軟件、建立系統(tǒng)都不是本質(zhì)，信息資源和信息的開發(fā)利用挖掘才是企業(yè)信息化的主線。事實上，目前一些商業(yè)智能軟件供應商正在將“用商業(yè)智能軟件幫助企業(yè)過冬”作為新的賣點。

數(shù)據(jù) 挖掘概念總結(jié)數(shù)據(jù)挖掘又名KDD來自數(shù)據(jù)圖書館、。KDD一詞最早出現(xiàn)在1989年8月舉行的第11屆國際聯(lián)合人工智能大會上。隨后，在1991年、1993年和1994年舉行了KDD專題討論會，匯集了來自各個領域的研究人員和應用程序開發(fā)人員，重點討論數(shù)據(jù)統(tǒng)計學、海量數(shù)據(jù)分析算法、知識表示和知識應用。

1998年在美國紐約召開的第四屆知識發(fā)現(xiàn)和數(shù)據(jù) 挖掘國際會議，不僅進行了學術討論，而且有30多家軟件公司展示了他們的數(shù)據(jù) 挖掘軟件產(chǎn)品，其中很多已經(jīng)在北美和歐洲，一、數(shù)據(jù) 挖掘1.1、數(shù)據(jù) 挖掘的歷史是什么近十年來，人們利用信息技術生產(chǎn)和收集數(shù)據(jù)的能力有了很大的提高。

1、數(shù)據(jù)化簡基礎知識:對于小型或中型數(shù)據(jù)套，一般數(shù)據(jù)預處理步驟就足夠了。但對于真正的大規(guī)模數(shù)據(jù)套，在應用挖掘技術之前，更有可能采取一個中間附加步驟數(shù)據(jù)還原。這一步簡化數(shù)據(jù)的主題是降維。主要問題是這些準備好的和預處理過的數(shù)據(jù)能否在不犧牲結(jié)果質(zhì)量的情況下被丟棄，準備好的數(shù)據(jù)和建立的子集能否在適當?shù)臅r間和空間內(nèi)被檢查。

在實踐中，特征的數(shù)量可以達到數(shù)百個。如果只需要幾百個樣本進行分析，就需要降維到挖掘，產(chǎn)生一個可靠的模型；另一方面，高維導致的數(shù)據(jù)超負會使部分數(shù)據(jù) 挖掘算法不切實際，新的方法是降維，預處理的三個主要維度數(shù)據(jù) set通常以平面文件的形式出現(xiàn):列(特征)、行(樣本)、特征值。數(shù)據(jù)歸約過程是三個基本操作:刪列、刪行、歸約列中的值。