数据挖掘 多维分析技术理论基础知识

1.数据仓库 一种多个异种数据源在单个站点以统一的模式组织的存储，以支持管理决策。
2.OLAP技术 一种分析技术，具有汇总合并和聚集功能，以及从不同的角度观察信息的能力。 但对于深层次


的分析， 如数据分类 聚类 和数据随时间变化的特征，需要借助其他分析工具。
3. 知识发现过程步骤， 数据清理 数据集成 数据选择 数据变换 数据挖掘 模式评估 知识表示
4.数据挖掘任务 一般分为两类 描述 和 预测
5.聚类分析 与分类和预测 不同 聚类 分析数据对象 而不考虑已知的类标记。对象 根据 最大化类内的相似


性，最小化类间的相似性的原则进行聚类或分组
6 孤立点分析 数据库 可能包含一些数据对象，他们与一般的行为和模型不一致。然而，在一些应用中，罕


见的事件可能更有研究价值。
7.演变分析 描述行为随时间变化的对象的规律或趋势。
8.性能问题 数据挖掘算法的有效性，可伸缩性和并行处理。  许多数据库的大容量，数据的广泛分布和一些


数据算法的计算复杂性 是促使开发并行和分布式数据挖掘算法的因素。
9.多维数据库模式 星型模式 雪花型模式 星型模式 星型模式包括一个大的包含大批数据和不冗余的中心表 


一组小的附属表维表。 雪花型模式 相比星型模式更加易于维护，并且节省存储空间，但是执行查询需要更


多的连接操作，所以，可能会降低浏览的性能。


10.多维数据模型上，数据组织成多维，每维包含由概念分层定义的多个抽象层。这种组织为用户从不同角度