数据挖掘数据集_白话讲解商业智能 BI、数据仓库 DW和数据挖掘 DM

商业智能 BI、数据仓库 DW、数据挖掘 DM

商业智能BI(Business Intelligence) 。相比于数据仓库、数据挖掘，它是一个更大的概念。商业智能可以说是基于数据仓库，经过了数据挖掘后，得到了商业价值的过程。所以说数据仓库是个金矿，数据挖掘是炼金术，而商业报告则是黄金。

数据仓库DW(Data Warehouse) 。它可以说是 BI 这个房子的地基，搭建好 DW 这个地基之后，才能进行分析使用，最后产生价值。数据仓库可以说是数据库的升级概念. 和数据库并无明显差别都是通过数据库技术来存储数据的。数据仓库将原有的多个数据来源中的数据进行汇总、整理而得。数据进入数据仓库前，必须消除数据中的不一致性，方便后续进行数据分析和挖掘。

数据挖掘DM(Data Mining) 。在商业智能 BI 中经常会使用到数据挖掘技术。数据挖掘的核心包括分类、聚类、预测、关联分析等任务，通过这些炼金术，我们可以从数据仓库中得到宝藏，比如商业报告。

元数据 and 数据元

元数据（MetaData）： 描述其它数据的数据，也称为“中介数据”。 数据元（Data Element）： 就是最小数据单元。

在生活中，只要有一类事物，就可以定义一套元数据。举个例子，比如一本图书的信息包括了书名、作者、出版社、ISBN、出版时间、页数和定价等多个属性的信息，我们就可以把这些属性定义成一套图书的元数据。

在图书这个元数据中，书名、作者、出版社就是数据元。你可以理解是最小的数据单元。元数据最大的好处是使信息的描述和分类实现了结构化，让机器处理起来很方便。

__元数据的作用：

元数据可以很方便地应用于数据仓库。比如数据仓库中有数据和数据之间的各种复杂关系，为了描述这些关系，元数据可以对数据仓库的数据进行定义，刻画数据的抽取和转换规则，存储与数据仓库主题有关的各种信息。而且整个数据仓库的运行都是基于元数据的，比如抽取调度数据、获取历史数据等。

数据挖掘的流程

数据挖掘(Knowledge Discovery in Database)数据库中知识发现，简称KDD。在数据挖掘中有几个非常中要的任务分别是分类，聚类，预测和关系分析。

1.分类：

就是通过训练集得到一个分类模型，然后用这个模型可以对其他数据进行分类。

训练集和测试集的概念：

一般来说数据可以划分为训练集和测试集。训练集是用来给机器做训练的，通常是人们整理好训练数据，以及这些数据对应的分类标识。通过训练，机器就产生了自我分类的模型，然后机器就可以拿着这个分类模型，对测试集中的数据进行分类预测。同样如果测试集中，人们已经给出了测试结果，我们就可以用测试结果来做验证，从而了解分类器在测试环境下的表现。

2.聚类：

人以群分，物以类聚。聚类就是将数据自动聚类成几个类别，聚到一起的相似度大，不在一起的差异性大。我们往往利用聚类来做数据划分。

3.预测：

就是通过当前和历史数据来预测未来趋势，它可以更好地帮助我们识别机遇和风险。

4.关系分析：

就是发现数据中的关联规则，它被广泛应用在购物篮分析，或事务数据分析中。比如某宝中的物品绑定推送。

数据库中知识发现(KDD)过程：

输入数据 --> 数据预处理(特征选择，维规约，规范化，选择数据子集) --> 数据挖掘 --> 后处理(模式过滤，可视化，模式表示) --> 信息

数据预处理时进行的步骤：

1.数据清洗

主要是为了去除重复数据，去噪声（即干扰数据）以及填充缺失值。

2.数据集成

是将多个数据源中的数据存放在一个统一的数据存储中。

3.数据变换

就是将数据转换成适合数据挖掘的形式。比如，通过归一化将属性数据按照比例缩放，这样就可以将数值落入一个特定的区间内，比如 0~1 之间。

白话讲解：

比如你认识了两个漂亮的女孩。

商业智能 会告诉你要追哪个？成功概率有多大？

数据仓库 会说，我这里存储了这两个女孩的相关信息，你要吗？

其中每个女孩的数据都有单独的文件夹，里面有她们各自的姓名、生日、喜好和联系方式等，这些具体的信息就是 数据元 ，加起来叫作 元数据 。

数据挖掘 会帮助你确定追哪个女孩，并且整理好数据仓库，这里就可以使用到各种算法，帮你做决策了。

你可能会用到 分类算法 。御姐、萝莉、女王，她到底属于哪个分类？

如果认识的女孩太多了，多到你已经数不过来了，比如说 5 万人！你就可以使用 聚类算法 了，它帮你把这些女孩分成多个群组，比如 5 个组。然后再对每个群组的特性进行了解，进行决策。这样就把 5 万人的决策，转化成了 5 个组的决策。成功实现降维，大大提升了效率。 如果你想知道这个女孩的闺蜜是谁，那么 关联分析算法 可以告诉你。如果你的数据来源比较多，比如有很多朋友给你介绍女朋友，很多人都推荐了同一个，你就需要去重，这叫 数据清洗 ；为了方便记忆，你把不同朋友推荐的女孩信息合成一个，这叫 数据集成 ；有些数据渠道统计的体重的单位是公斤，有些是斤，你就需要将它们转换成同一个单位，这叫 数据变换 。

最后你可以进行数据可视化了，它会直观地把你想要的结果呈现出来。