统计数据挖掘与OLAP技术应用

统计数据挖掘是数据挖掘在统计领域的应用,由于统计领域就是充满各种数据信息的世界,既有历史积累下来的时间序列数据,也有各省市政府、事业单位、企业形成的截面数据,还有二者合一的面板数据(又称Pool数据),信息资源十分丰富,因此对统计数据挖掘具有十分重要的现实意义。     

基于统计数据的OLAP数据挖掘技术

一、概述数据挖掘是 90年代中后期兴起的一门跨学科的综合研究领域 ,它集计算机机器学习、统计学、数据库管理、数据仓库、可视化、并行计算、决策支持为一体 ,利用数据库、数据仓库技术存储和管理数据 ,利用机器学习和统计学方法分析数据 ,旨在发现大量复杂数据中蕴含的有价值的知识和信息。目前 ,随着数据挖掘应用的不断开展以及客观现实对数据分析需求的不断增长 ,人们越来越认识到数据挖掘的重要性和必要性。数据挖掘通过对数据的总结、分类、聚类、关联等分析 ,实现对数据内在结构特征的理解和对未知数据的预测。其中 ,数据总结是在数…     

统计分析的新模式——数据挖掘技术

近年来,数据挖掘已经成为了统计学研究的一个新兴领域,引起了学科内部的极大关注,数据挖掘技术的发展极大地丰富了统计分析的手段。由于当今社会信息量、数据量急剧增大,因此人们迫切需要将这些数据转换成有用的信息和知识。面对     

数据挖掘中事务性数据库的压缩及其应用

一、引言 数据挖掘的首要工作是数据的准备,数据的准备包括:数据选取(Data selection)、数据预处理(Data perprocessing)和数据变换(Data transfromation).目前,我们已经充分地意识到,在信息系统中的信息积累越来越大,这样给数据的准备带来困难,给数据挖掘阶段的开采工作带来了不便.为此解决信息系统中信息量膨胀的问题,就显得尤为重要了.     

数据挖掘与现代信息统计

随着计算机及数据库技术的不断发展．数据库管理系统的广泛应用．数据库中存储的数据数量也急剧增大．在大量的数据里面隐藏着许多用于实践的信息，如果能把这些信息从数据库中提炼出来，将为我们工作创造很多潜在的利润．而这种从海量数据库中挖掘信息的技术．就称之为数据挖掘。数据挖掘是应用了统计学的知识以及计算机领域的思想、工具和方法．尤其是计算机学科的知识。     

数据挖掘运用的理论与技术

一、引言数据挖掘是指一个完整的过程 ,该过程从大型数据库中挖掘先前未知的 ,有效的 ,可实用的信息 ,并使用这些信息做出决策或丰富知识。数据挖掘环境可示意如下图 1。数据挖掘与传统的数据分析 (如查询、报表、联机应用分析 )的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘所得到的信息应具有先未知 ,有效和可实用三个特征。先前未知的信息是指该信息是预先未曾预料到的 ,既数据挖掘是要发现那些不能靠直觉发现的信息或知识 ,甚至是违背直觉的信息或知识 ,挖掘出的信息越是出乎意料 ,就可能越有价值。在商…     

数据挖掘及其在官方统计中的应用前景

数据挖掘是处理大型数据集的信息处理方式,在官方统计中存在大量的大型数据集,加上官方统计机构对数据质量的要求,使得在官方统计中应用数据挖掘具有广阔的前景。     

基于SQL Server商业智能的统计决策分析系统

统计信息化建设积累了丰富的资源信息,而对这些信息的大规模、高效率、全方位、深层次的数据挖掘和统计分析还不尽人意,造成了大量的资源浪费.文章利用先进的数据挖掘和决策分析技术,借助于SQL Server的BI工具,提出了新的统计决策分析解决方案.     

数据挖掘技术和信用风险管理

一、数据挖掘的定义 数据挖掘就是利用人工智能、统计分析以及其它建模方法,从大量不完全的、随机的数据中寻找数据之间的关系和有用的信息.数据挖掘在营销、金融等行业的重要性已经被认识,所以企业一般都建立自己的数据库即客户关系系统(CRM),这为数据挖掘的发展提供了基础.需要指出的是:数据挖掘并不仅仅是技术和算法的组合,它其实更像过程,这个过程的目的在于解决具体的问题或做具体的决策.     

数据挖掘在物流业的应用综述

数据挖掘作为快速有效地从海量数据中提取有效信息的工具,在现代物流业得到了广泛的应用.文章从数据挖掘的基本技术、数据挖掘在物流需求预测、物流决策以及客户关系管理等方面的应用现状及存在的问题出发,对目前这一领域内的研究进行了回顾和评论,并对数据挖掘在物流的发展前景进行了展望.     

数据挖掘的统计学内涵

统计有培根逻辑做支撑,而数据挖掘则更多地得益于当代信息技术的飞速发展——但是相对于由此产生的大量冗余数据而言,我们似乎并没有获得多少信息。如果说数据挖掘(data mining,DM)研究的是经过清洗的全样本数据(Population),那么统计研究的则是样本数     

数据挖掘:挑战与机遇同在

20世纪90年代，美国的一些应用者和学者把在数据海洋中寻找知识的过程叫做“数据挖掘”。这是一种新的信息处理技术，其主要特点是对数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助决策的关键性数据。数据挖掘与传统的数据分析，如查询、报表、OLAP（联机应用分析）、统计分析等数据分析技术的本质区别是数据挖掘是在明确假设的前提下去挖掘信息、发现知识。     

大数据时代 隐私如何保护

如今我们身处大数据时代,政府和企业聚集了人们日常生活中的各种数字记录。然后通过统计方法或其他数据挖掘技术来提取隐藏的信息和相关性。不可否认,大数据的发展给我们带来了显著的经济效益和社会效益,但同时也暴露出了许多关于数据安全性与隐私的问题。因此,两者之间的博弈与权衡成为了大数据时代中热议的话题。隐私,大致是说一种与公共利益、群体利益无关而且个人或团体不愿意     

半参数Beta回归模型在数据挖掘中的应用

回归分析是数据挖掘中重要的方法之一。文章研究了基于半参数Beta回归模型结合惩罚样条估计的数据挖掘方法。当数据中因变量的数据取值为(0,1)区间(或某个区间)时,利用半参数Beta回归模型进行数据挖掘,不仅具有很好的解释效果,而且能挖掘出隐含在数据内部的有用信息。实验结果验证了研究方法的有效性。     

基于粗糙集的客户分类方法

1相关理论1.1数据挖掘(Data M ining)技术数据挖掘是从数据当中发现趋势或模式的过程。这一过程的目标就是通过对大量数据的分类而发现新的信息。人们通过数据挖掘得到的回报就是将这些新发现的知识转变为经营上的成果,如增加销售收入或者减少销售成本。数据挖掘是最近几年才发     

国外数据挖掘应用研究与发展分析

目前“数据挖掘(Data Mining,DM)”这一术语在学术界还没有一个公认的、权威的定义,但我们一般可以简单的认为数据挖掘是从海量数据中发现趋势或模式的过程。尽管有些人不愿承认数据挖掘与统计学的内在联系,但不可否认的是早期的数据挖掘的确脱胎于统计学,因此也可以说数据挖掘是利用统计学和机器学习技术创建预测行为的模型。需要强调的是数据挖掘的过程是一个“发现”的过程,而不是“发明”的过程。换句话说,数据挖掘所探寻的模式,是一种已有的、只是隐藏在数据中、暂时没有被发现的知识。世界上对数据挖掘的正式研究始于1989年8月举行…     

数据挖掘质量问题探讨

一、数据挖掘质量问题的提出随着数据库、数据仓库技术的发展以及数据库管理系统的广泛应用,人们积累的数据越来越多。在这些大量数据的背后隐藏了很多具有决策意义的信息,但是人们怎么得到这些“知识”呢?数据挖掘(DataMining)正是在这样的应用需求环境下产生并迅速发展起来的     

基于组合分类挖掘模型的调查问卷数据预处理

文章在Bates和Granger对时间序列的组合预测模型的理论基础上,灵活运用数据挖掘的思维和Clementine数据挖掘软件中的相关节点,充分利用问卷中已有信息构造组合分类数据挖掘模型,对《影响中国人际关系和谐因素调查问卷》进行分类了预处理。     

数据挖掘：提高高校科研管理综合实力的有效途径

随着现代通讯、信息、网络技术的高速发展及数据库管理系统的广泛应用,使得数据库存储数据量急剧增加。我们需要从这些堆积如山的数据集合中萃取大量有用信息,指导工作。因此一种新的研究方式“数据挖掘”技术应运而生,这种新技术可以快速、智能地分析海量的原始数据,使之为我所用。