一文讀懂什么是智能數據分析？

　　一、什么是智能數據分析?

　　智能數據分析，它是指運用統計學(xué)、模式識別、機器學(xué)習、數據抽象等數據分析工具從數據中發(fā)現知識的分析方法。智能數據分析的目的是直接或間接地提高工作效率，在實(shí)際使用中充當智能化助手的角色，使工作人員在恰當的時(shí)間擁有恰當的信息，幫助他們在有限的時(shí)間內作出正確的決定。

　　智能數據分析的目的是直接或間接地提高工作效率，在實(shí)際使用中充當智能化助手的角色，使工作人員在恰當的時(shí)間擁有恰當的信息，幫助他們在有限的時(shí)間內作出正確的決定。信息系統中積累的大量數據，其原始數據的價(jià)值很小，只有通過(guò)智能化分析方法抽取其中的精華，才能從數據中挖掘出其中的價(jià)值，為人類(lèi)所利用。

　　二、智能數據分析分類(lèi)

　　智能數據分析方法主要為兩種類(lèi)型，一是數據抽象(DataAbstraction) ;二是數據挖掘(Date Mining)。

　　數據抽象：數據抽象結構是對現實(shí)世界的一種抽象從實(shí)際的人、物、事和概念中抽取所關(guān)心的共同特性，忽略非本質(zhì)的細節把這些特性用各種概念精確地加以描述這些概念組成了某種模型。簡(jiǎn)而言之就是在忽略類(lèi)對象間存在差異的同時(shí)，展現了對用戶(hù)而言最重要的特性。三種常用的抽象：分類(lèi)、聚集、概括。

　　數據挖掘：一般是指從大量的數據中通過(guò)算法搜索隱藏于其中信息的過(guò)程。數據挖掘通常與計算機科學(xué)有關(guān)，并通過(guò)統計、在線(xiàn)分析處理、情報檢索、機器學(xué)習、專(zhuān)家系統(依靠過(guò)去的經(jīng)驗法則)和模式識別等諸多方法來(lái)實(shí)現上述目標。智能數據分析方法包括分類(lèi)、估計、預測、相關(guān)性分組或關(guān)聯(lián)規則，聚類(lèi)，復雜數據類(lèi)型挖掘等。

　　三、智能數據分析的常見(jiàn)方法

　　智能分析技術(shù)在數據的處理數據中具有非常重要的意義，主要包括以下幾類(lèi)常見(jiàn)方法：

　　決策樹(shù)：在已知各種情況發(fā)生概率的基礎上， 通過(guò)構成決策樹(shù)來(lái)求取凈現值的期望值大于等于零的概率，評價(jià)項目風(fēng)險， 判斷其可行性的決策分析方法，是直觀(guān)運用概率分析的一種圖解法，它是建立在信息論基礎之上對數據進(jìn)行分類(lèi)的一種方法。首先通過(guò)一批已知的訓練數據建立一棵決策樹(shù)， 然后采用建好的決策樹(shù)對數據進(jìn)行預測。決策樹(shù)的建立過(guò)程是數據規則的生成過(guò)程，因此，這種方法實(shí)現了數據規則的可視化， 其輸出結果容易理解， 精確度較好， 效率較高， 缺點(diǎn)是難于處理關(guān)系復雜的數據。常用的方法有分類(lèi)及回歸樹(shù)法、雙方自動(dòng)交互探測法等。

　　關(guān)聯(lián)規則：是形如X→Y的蘊涵式，其中， X和Y分別稱(chēng)為關(guān)聯(lián)規則的先導(antecedent或left-hand-side， LHS)和后繼(consequent或right-hand-side， RHS) 。其中，關(guān)聯(lián)規則XY，存在支持度和信任度。這種方法主要是用于事物數據庫中，通常帶有大量的數據，當今使用這種方法來(lái)削減搜索空間。

　　粗糙集：是繼概率論、模糊集、證據理論之后的又一個(gè)處理不確定性的數學(xué)工具。用粗糙集理論進(jìn)行數據分析主要有以下優(yōu)勢： 它無(wú)需提供對知識或數據的主觀(guān)評價(jià)， 僅根據觀(guān)測數據就能達到刪除冗余信息;非常適合并行計算、提供結果的直接解釋。如下圖，X稱(chēng)為R的粗糙集。

　　模糊數學(xué)分析：用模糊(Fuzzy sets)數學(xué)理論來(lái)進(jìn)行智能數據分析?，F實(shí)世界中客觀(guān)事物之間通常具有某種不確定性。越復雜的系統其精確性越低，也就意味著(zhù)模糊性越強。在數據分析過(guò)程中， 利用模糊集方法對實(shí)際問(wèn)題進(jìn)行模糊評判、模糊決策、模糊預測、模糊模式識別和模糊聚類(lèi)分析， 這樣能夠取得更好更客觀(guān)的效果。

　　人工神經(jīng)網(wǎng)絡(luò )：一種應用類(lèi)似于大腦神經(jīng)突觸聯(lián)接的結構進(jìn)行信息處理的數學(xué)模型。該模型由大量的節點(diǎn)(或稱(chēng)神經(jīng)元)之間相互聯(lián)接構成。每個(gè)節點(diǎn)代表一種特定的輸出函數，稱(chēng)為激勵函數(activationfunction)。每?jì)蓚€(gè)節點(diǎn)間的連接都代表一個(gè)對于通過(guò)該連接信號的加權值， 稱(chēng)之為權重，這相當于人工神經(jīng)網(wǎng)絡(luò )的記憶。網(wǎng)絡(luò )的輸出則依網(wǎng)絡(luò )的連接方式， 權重值和激勵函數的不同而不同。而網(wǎng)絡(luò )自身通常都是對自然界某種算法或者函數的逼近， 也可能是對一種邏輯策略的表達。

　　混沌分型理論：混沌(Chaos)和分形(Fractal)理論是非線(xiàn)性科學(xué)中的兩個(gè)重要概念， 研究非線(xiàn)性系統內部的確定性與隨機性之間的關(guān)系?；煦缑枋龅氖欠蔷€(xiàn)性動(dòng)力系統具有的一種不穩定且軌跡局限于有限區域但永不重復的運動(dòng)， 分形解釋的是那些表面看上去雜亂無(wú)章、變幻莫測而實(shí)質(zhì)上潛在有某種內在規律性的對象，因此，二者可以用來(lái)解釋自然界以及社會(huì )科學(xué)中存在的許多普遍現象。其理論方法可以作為智能認知研究、圖形圖像處理、自動(dòng)控制以及經(jīng)濟管理等諸多領(lǐng)域應用的基礎。

　　自然計算分析：這種數據分析方法根據不同生物層面的模擬與仿真， 通?？梢苑譃橐韵氯N不同類(lèi)型的分析方法： 一是群體智能算法， 二是免疫算術(shù)方法，三是DNA算法。群體智能主要是對集體行為進(jìn)行研究，免疫算法具有多樣性， 經(jīng)典的主要有反向、克隆選擇等，DNA 算法主要使屬于隨機化搜索方法， 它可以進(jìn)行全局尋優(yōu)，在實(shí)際的運用中一般都能獲取優(yōu)化的搜索空間，在此基礎上還能自動(dòng)調整搜索方向，在整個(gè)過(guò)程中都不需要確定的規則，當前DNA算法普遍應用于多種行業(yè)中， 并取得了不錯的成效。