数据挖掘算法概述

简而言之，数据挖掘算法就是对你的数据进行一些模式分析，找出一些特征性或规律性的东西。至于到底用那个模式去分析，那就要根据你的数据，选择合适算法的问题。当然，更多的时候，你是手头有数据，但不知道用哪种算法、或者不确定哪种算法最好，这时，你可以尝试多种算法，比较结果，找出最佳算法。换句话说，你先要有数据，然后你选择一个或者多个数据挖掘的算法。每个算法会依据它的原理去对你的数据查找特定类型的模式、趋势、或特征。

数据挖掘算法有许多种。至目前，Microsoft Analysis Services支持九种算法:

·       Microsoft 关联算法

·       Microsoft 聚类分析算法

·       Microsoft 决策树算法

·       Microsoft 线性回归算法

·       Microsoft 逻辑回归算法

·       Microsoft Naive Bayes 算法

·       Microsoft 神经网络算法

·       Microsoft 顺序分析和聚类分析算法

·       Microsoft 时序算法

另外，您还可以使用符合 OLE DB for Data Mining 规范的第三方算法，或者自己开发在 SQL Server 数据挖掘框架中可以注册、使用的自定义算法。

选择正确的算法

为特定的分析任务选择最佳算法很有挑战性。 您可以使用不同的算法来执行同样的业务任务，每个算法会生成不同的结果，而某些算法还会生成多种类型的结果。 例如，您不仅可以将 Microsoft 决策数算法用于预测，而且还可以将它用作一种减少数据集的列数的方法，因为决策树能够识别出不影响最终挖掘模型的列。

a.     按类型选择算法

按类型分，Analysis Services 包括了以下算法类型：

·        分类算法 （预测离散变量）- 基于数据集中的其他属性预测一个或多个离散变量。

·        回归算法（预测连续变量）- 基于数据集中的其他属性预测一个或多个连续变量，如利润或亏损。

·        分割算法 （对数据按相似性进行分类）- 将数据划分为组或分类，这些组或分类的项具有相似属性。

·        关联算法（寻找数据属性间的相关）- 查找数据集中的不同属性之间的相关性。 这类算法最常见的应用是创建可用于市场篮分析的关联规则。

·        顺序分析算法（寻找事件顺序流）- 汇总数据中的常见顺序或事件，如 Web 路径流。

SQL Server 数据挖掘使您可以在单个挖掘结构的基础上生成多个模型，这样，在单个数据挖掘解决方案内，您可以使用聚类分析算法、决策树模型和 naïve Bayes 模型来针对您的数据获取不同视图。 您还可以在单个解决方案内使用多种算法来执行单独的任务：例如，您可以使用回归来获取财务预测，并且使用神经网络算法执行销售影响因素分析。

b.    按任务选择算法

此分类与上边的类型分类有很大的重叠。

任务示例	可使用的 Microsoft 算法
预测离散属性 ·        将预期购买者列表中的客户标记为好或差的潜在客户。 ·        计算服务器在未来 6 个月内将出现故障的概率。 ·        将患者结果分类并探讨相关因素。	Microsoft 决策树算法 Microsoft Naive Bayes 算法 Microsoft 聚类分析算法 Microsoft 神经网络算法
预测连续属性 ·        预测下一年的销售额。 ·        根据过去的历史信息和季节趋势，预测网站访问者。 ·        根据人口统计信息生成风险评分。	Microsoft 决策树算法 Microsoft 时序算法 Microsoft 线性回归算法
预测顺序 ·        执行公司网站的点击流分析。 ·        分析导致服务器故障的因素。 ·        捕获和分析门诊访问期间活动的顺序，以便围绕一般的活动形成最佳做法。	Microsoft 顺序分析和聚类分析算法
查找事务中常见项的组 ·        使用市场篮分析来确定产品摆放。 ·        建议客户购买其他产品。 ·        分析来自事件访问者的调查数据，确定哪些活动或展台是相关的，以便计划将来的活动。	Microsoft 关联算法 Microsoft 决策树算法
查找相似项的组 ·        基于人口统计信息和行为之类的属性，创建患者风险配置文件组。 ·        按照浏览和购买模式分析用户。 ·        标识具有相似使用特性的服务器。	Microsoft 聚类分析算法 Microsoft 顺序分析和聚类分析算法