数据挖掘概念与技术 (2010 年度畅销榜NO.502 )

数据挖掘是数据库研究、开发和应用最活跃的分支之一。本书从数据库角度全面、系统地介绍数据挖掘的基本概念、基本方法和基本技术以及数据挖掘的最新进展，是一本可读性极佳的教材。\r\n本书全面而深入地叙述了数据库技术的发展和数据挖掘应用的重要性，数据仓库和OLAP（联机分析处理）技术，数据预处理技术（包括数据清理、数据集成和转换、数据归约的方法），数据挖掘技术（包括分类、预测、关联和聚类等基础概念和技术），先进的数据库系统中的数据挖掘方法，数据挖掘的应用和一些具有挑战性的研究问题。作者注重实效，将以上内容辅以实例，对每类问题均提供代表性算法，并给出每一技术具体的应用法则。该书由10章及两个附录组成。通过本书的学习，读者可以对数据挖掘的整体结构、概念和技术有深入的认识和了解，并且可以熟悉数据挖掘的基本原理和发展方向。\r\n本书适合作为相关专业高年级本科生的选修课教材，特别适合作为研究生的专业课教材，同时也可供从事数据挖掘研究和应用开发工作的相关人员作为必备的参考书。\r\n
\r\n

\r\n译者序\r\n序\r\n前言\r\n第1章 引言 1\r\n1.1 什么激发了数据挖掘, 为什么\r\n它是重要的 1\r\n1.2 什么是数据挖掘 3\r\n1.3 在何种数据上进行数据挖掘 6\r\n1.3.1 关系数据库 7\r\n1.3.2 数据仓库 8\r\n1.3.3 事务数据库 10\r\n1.3.4 高级数据库系统和高级数据库\r\n应用 11\r\n1.4 数据挖掘功能—可以挖掘什么\r\n类型的模式 14\r\n1.4.1 概念/类描述：特征化和区分 14\r\n1.4.2 关联分析 15\r\n1.4.3 分类和预测 16\r\n1.4.4 聚类分析 16\r\n1.4.5 孤立点分析 17\r\n1.4.6 演变分析 17\r\n1.5 所有模式都是有趣的吗 18\r\n1.6 数据挖掘系统的分类 19\r\n1.7 数据挖掘的主要问题 20\r\n1.8 小结 22\r\n习题 22\r\n文献注释 23\r\n第2章 数据仓库和数据挖掘的OLAP\r\n技术 26\r\n2.1 什么是数据仓库 26\r\n2.1.1 操作数据库系统与数据仓库的\r\n区别 27\r\n2.1.2 为什么需要一个分离的数据仓库 29\r\n2.2 多维数据模型 29\r\n2.2.1 由表和电子数据表到数据立方体 29\r\n2.2.2 星型. 雪花和事实星座：多维数\r\n据库模式 32\r\n2.2.3 定义星型. 雪花和事实星座模式的\r\n例子 34\r\n2.2.4 度量的分类和计算 36\r\n2.2.5 引入概念分层 37\r\n2.2.6 多维数据模型上的OLAP操作 39\r\n2.2.7 查询多维数据库的星型网查询模型 41\r\n2.3 数据仓库的系统结构 42\r\n2.3.1 数据仓库的设计步骤和结构 42\r\n2.3.2 三层数据仓库结构 44\r\n2.3.3 OLAP服务器类型：ROLAP,MOLAP,\r\nHOLAP的比较 46\r\n2.4 数据仓库实现 47\r\n2.4.1 数据立方体的有效计算 47\r\n2.4.2 索引OLAP数据 52\r\n2.4.3 OLAP查询的有效处理 54\r\n2.4.4 元数据存储 55\r\n2.4.5 数据仓库后端工具和实用程序 56\r\n2.5 数据立方体技术的进一步发展 56\r\n2.5.1 数据立方体发现驱动的探查 56\r\n2.5.2 多粒度上的复杂聚集：多特征方 59\r\n2.5.3 其他进展 61\r\n2.6 从数据仓库到数据挖掘 61\r\n2.6.1 数据仓库的使用 62\r\n2.6.2 从联机分析处理到联机分析挖掘 63\r\n2.7 小结 65\r\n习题 66\r\n文献注释 68\r\n第3章 数据预处理 70\r\n3.1 为什么要预处理数据 70\r\n3.2 数据清理 72\r\n3.2.1 空缺值 72\r\n3.2.2 噪声数据 73\r\n3.2.3 不一致数据 74\r\n3.3 数据集成和变换 75\r\n3.3.1 数据集成 75\r\n3.3.2 数据变换 76\r\n3.4 数据归约 77\r\n3.4.1 数据立方体聚集 77\r\n3.4.2 维归约 79\r\n3.4.3 数据压缩 80\r\n3.4.4 数值归约 82\r\n3.5 离散化和概念分层生成 87\r\n3.5.1 数值数据的离散化和概念分层\r\n生成 88\r\n3.5.2 分类数据的概念分层生成 91\r\n3.6 小结 93\r\n习题 93\r\n文献注释 94\r\n第4章 数据挖掘原语. 语言和系统\r\n结构 96\r\n4.1 数据挖掘原语：定义数据挖掘任务 96\r\n4.1.1 任务相关的数据 98\r\n4.1.2 要挖掘的知识的类型 99\r\n4.1.3 背景知识：概念分层 100\r\n4.1.4 兴趣度度量 102\r\n4.1.5 发现模式的表示和可视化 104\r\n4.2 一种数据挖掘查询语言 105\r\n4.2.1 任务相关数据说明的语法 107\r\n4.2.2 指定挖掘知识类型的语法 107\r\n4.2.3 概念分层说明的语法 109\r\n4.2.4 兴趣度度量说明的语法 110\r\n4.2.5 模式表示和可视化说明的语法 110\r\n4.2.6 汇集—一个DMQL查询的例子 111\r\n4.2.7 其他数据挖掘语言和数据挖掘\r\n原语的标准化 112\r\n4.3 根据数据挖掘查询语言设计图形\r\n用户界面 113\r\n4.4 数据挖掘系统的结构 113\r\n4.5 小结 115\r\n习题 115\r\n文献注释 117\r\n第5章 概念描述：特征化与比较 119\r\n5.1 什么是概念描述 119\r\n5.2 数据概化和基于汇总的特征化 120\r\n5.2.1 面向属性的归纳 120\r\n5.2.2 面向属性归纳的有效实现 124\r\n5.2.3 导出概化的表示 125\r\n5.3 解析特征化：属性相关分析 128\r\n5.3.1 为什么进行属性相关分析 129\r\n5.3.2 属性相关分析方法 129\r\n5.3.3 解析特征化：一个例子 131\r\n5.4 挖掘类比较：区分不同的类 132\r\n5.4.1 类比较方法和实现 133\r\n5.4.2 类比较描述的表示 135\r\n5.4.3 类描述：特征化和比较的表示 136\r\n5.5 在大型数据库中挖掘描述统计\r\n度量 137\r\n5.5.1 度量中心趋势 138\r\n5.5.2 度量数据的离散度 139\r\n5.5.3 基本统计类描述的图形显示 141\r\n5.6 讨论 144\r\n5.6.1 概念描述：与典型的机器学习方法\r\n比较 144\r\n5.6.2 概念描述的增量挖掘和并行\r\n挖掘 145\r\n5.7 小结 146\r\n习题 146\r\n文献注释 147\r\n第6章 挖掘大型数据库中的关联规则 149\r\n6.1 关联规则挖掘 149\r\n6.1.1 购物篮分析：一个引发关联规则\r\n挖掘的例子 150\r\n6.1.2 基本概念 150\r\n6.1.3 关联规则挖掘：一个路线图 151\r\n6.2 由事务数据库挖掘单维布尔关联\r\n规则 152\r\n6.2.1 Apriori算法：使用候选项集找\r\n频繁项集 152\r\n6.2.2 由频繁项集产生关联规则 156\r\n6.2.3 提高Apriori的有效性 157\r\n6.2.4 不产生候选挖掘频繁项集 158\r\n6.2.5 冰山查询 161\r\n6.3 由事务数据库挖掘多层关联规则 162\r\n6.3.1 多层关联规则 162\r\n6.3.2 挖掘多层关联规则的方法 163\r\n6.3.3 检查冗余的多层关联规则 166\r\n6.4 由关系数据库和数据仓库挖掘多维\r\n关联规则 167\r\n6.4.1 多维关联规则 167\r\n6.4.2 使用量化属性的静态离散化挖掘\r\n多维关联规则 168\r\n6.4.3 挖掘量化关联规则 169\r\n6.4.4 挖掘基于距离的关联规则 171\r\n6.5 由关联挖掘到相关分析 172\r\n6.5.1 强关联规则不一定是有趣的：\r\n一个例子 172\r\n6.5.2 由关联分析到相关分析 173\r\n6.6 基于约束的关联挖掘 174\r\n6.6.1 关联规则的元规则制导挖掘 174\r\n6.6.2 用附加的规则约束制导的挖掘 175\r\n6.7 小结 179\r\n习题 180\r\n文献注释 183\r\n第7章 分类和预测 185\r\n7.1 什么是分类, 什么是预测 185\r\n7.2 关于分类和预测的问题 187\r\n7.2.1 准备分类和预测的数据 187\r\n7.2.2 比较分类方法 187\r\n7.3 用判定树归纳分类 188\r\n7.3.1 判定树归纳 189\r\n7.3.2 树剪枝 192\r\n7.3.3 由判定树提取分类规则 192\r\n7.3.4 基本判定树归纳的加强 193\r\n7.3.5 判定树归纳的可伸缩性 194\r\n7.3.6 集成数据仓库技术和判定树\r\n归纳 195\r\n7.4 贝叶斯分类 196\r\n7.4.1 贝叶斯定理 196\r\n7.4.2 朴素贝叶斯分类 197\r\n7.4.3 贝叶斯信念网络 199\r\n7.4.4 训练贝叶斯信念网络 200\r\n7.5 后向传播分类 201\r\n7.5.1 多层前馈神经网络 201\r\n7.5.2 定义网络拓扑 202\r\n7.5.3 后向传播 202\r\n7.5.4 后向传播和可解释性 206\r\n7.6 基于源自关联规则挖掘概念的\r\n分类 207\r\n7.7 其他分类方法 209\r\n7.7.1 k-最临近分类 209\r\n7.7.2 基于案例的推理 209\r\n7.7.3 遗传算法 210\r\n7.7.4 粗糙集方法 210\r\n7.7.5 模糊集方法 211\r\n7.8 预测 212\r\n7.8.1 线性回归和多元回归 212\r\n7.8.2 非线性回归 213\r\n7.8.3 其他回归模型 214\r\n7.9 分类法的准确性 214\r\n7.9.1 评估分类法的准确率 214\r\n7.9.2 提高分类法的准确率 215\r\n7.9.3 准确率足够判定分类法吗 216\r\n7.10 小结 217\r\n习题 218\r\n文献注释 219\r\n第8章 聚类分析 223\r\n8.1 什么是聚类分析 223\r\n8.2 聚类分析中的数据类型 225\r\n8.2.1 区间标度变量 226\r\n8.2.2 二元变量 227\r\n8.2.3 标称型. 序数型和比例标度型\r\n变量 228\r\n8.2.4 混合类型的变量 230\r\n8.3 主要聚类方法的分类 231\r\n8.4 划分方法 232\r\n8.4.1 典型的划分方法：k-平均\r\n和k-中心点 232\r\n8.4.2 大型数据库中的划分方法：从k-中\r\n心点到CLARANS 235\r\n8.5 层次方法 236\r\n8.5.1 凝聚的和分裂的层次聚类 236\r\n8.5.2 BIRCH：利用层次方法的平衡\r\n迭代归约和聚类 238\r\n8.5.3 CURE：利用代表点聚类 239\r\n8.5.4 Chameleon（变色龙）：一个利用\r\n动态模型的层次聚类算法 240\r\n8.6 基于密度的方法 242\r\n8.6.1 DBSCAN：一个基于高密度连接\r\n区域的密度聚类方法 242\r\n8.6.2 OPTICS：通过对象排序识别\r\n聚类结构 243\r\n8.6.3 DENCLUE：基于密度分布函数\r\n的聚类 245\r\n8.7 基于网格的方法 246\r\n8.7.1 STING：统计信息网格 247\r\n8.7.2 WaveCluster：采用小波变换聚类 248\r\n8.7.3 CLIQUE：聚类高维空间 249\r\n8.8 基于模型的聚类方法 251\r\n8.8.1 统计学方法 251\r\n8.8.2 神经网络方法 253\r\n8.9 孤立点分析 254\r\n8.9.1 基于统计的孤立点检测 255\r\n8.9.2 基于距离的孤立点检测 256\r\n8.9.3 基于偏离的孤立点检测 257\r\n8.10 小结 259\r\n习题 260\r\n文献注释 261\r\n第9章 复杂类型数据的挖掘 263\r\n9.1 复杂数据对象的多维分析\r\n和描述性挖掘 263\r\n9.1.1 结构化数据的概化 263\r\n9.1.2 空间和多媒体数据概化中的聚集\r\n和近似计算 264\r\n9.1.3 对象标识符和类/子类层次的概化 265\r\n9.1.4 类复合层次的概化 265\r\n9.1.5 对象立方体的构造与挖掘 266\r\n9.1.6 用分而治之方法对规划数据库进行\r\n基于概化的挖掘 266\r\n9.2 空间数据库挖掘 269\r\n9.2.1 空间数据立方体构造\r\n和空间OLAP 270\r\n9.2.2 空间关联分析 273\r\n9.2.3 空间聚类方法 273\r\n9.2.4 空间分类和空间趋势分析 274\r\n9.2.5 光栅数据库挖掘 274\r\n9.3 多媒体数据库挖掘 274\r\n9.3.1 多媒体数据的相似性搜索 275\r\n9.3.2 多媒体数据的多维分析 276\r\n9.3.3 多媒体数据的分类和预测分析 277\r\n9.3.4 多媒体数据中的关联规则挖掘 277\r\n9.4 时序数据和序列数据的挖掘 278\r\n9.4.1 趋势分析 279\r\n9.4.2 时序分析中的相似搜索 280\r\n9.4.3 序列模式挖掘 283\r\n9.4.4 周期分析 284\r\n9.5 文本数据库挖掘 285\r\n9.5.1 文本数据分析和信息检索 285\r\n9.5.2 文本挖掘：基于关键字的关联和\r\n文档分类 289\r\n9.6 Web挖掘 290\r\n9.6.1 挖掘Web链接结构, 识别权威\r\nWeb页面 291\r\n9.6.2 Web文档的自动分类 293\r\n9.6.3 多层Web信息库的构造 293\r\n9.6.4 Web使用记录的挖掘 294\r\n9.7 小结 295\r\n习题 296\r\n文献注释 297\r\n第10章 数据挖掘的应用和发展趋势 301\r\n10.1 数据挖掘的应用 301\r\n10.1.1 针对生物医学和DNA数据分析\r\n的数据挖掘 301\r\n10.1.2 针对金融数据分析的数据挖掘 302\r\n10.1.3 零售业中的数据挖掘 303\r\n10.1.4 电信业中的数据挖掘 304\r\n10.2 数据挖掘系统产品和研究原型 305\r\n10.2.1 怎样选择一个数据挖掘系统 305\r\n10.2.2 商用数据挖掘系统的例子 307\r\n10.3 数据挖掘的其他主题 308\r\n10.3.1 视频和音频数据挖掘 308\r\n10.3.2 科学和统计数据挖掘 311\r\n10.3.3 数据挖掘的理论基础 312\r\n10.3.4 数据挖掘和智能查询应答 313\r\n10.4 数据挖掘的社会影响 314\r\n10.4.1 数据挖掘是宣传出来的还是持久\r\n的稳定增长的商业 314\r\n10.4.2 数据挖掘只是经理的事还是\r\n每个人的事 316\r\n10.4.3 数据挖掘对隐私或数据安全构\r\n成威胁吗 317\r\n10.5 数据挖掘的发展趋势 318\r\n10.6 小结 319\r\n习题 320\r\n文献注释 321\r\n附录A Microsoft's OLE DB for Data \r\nMining简介 323\r\nA.1 创建DMM对象 324\r\nA.2 向模型装入训练数据并对模型\r\n进行训练 325\r\nA.3 模型的使用 325\r\n附录B DBMiner简介 328\r\nB.1 系统结构 328\r\nB.2 输入和输出 329\r\nB.3 系统支持的数据挖掘任务 329\r\nB.4 对任务和方法选择的支持 332\r\nB.5 对KDD处理过程的支持 332\r\nB.6 主要应用 332\r\nB.7 现状 332\r\n参考文献 333\r\n索引 362 \r\n
\r\n

数据挖掘是数据库研究. 开发和应用最活跃的分支之一. 这是很自然的事. 数据库系统特别是关系数据库系统的成功, 使我们有了强有力的事务处理工具. 在计算机的帮助下, 人们可以将传统的事务处理做得更好. 不满足现状是社会前进的动力. 人类当然不会满足于让计算机仅仅做事务处理. 试图将数据库技术应用到更广泛的领域, 导致了对时间数据库. 空间数据库. 多媒体数据库. 工程数据库. 统计数据库等面向特殊应用的数据库系统的研究与开发. 新的应用导致对新的数据模型的需求, 从而激发了扩充关系的. 面向对象的. 对象－关系的. 演绎的等新数据模型和数据库系统的研究和开发. 各种各样的数据库系统的开发, 使得更多的数据以前所未有的速度收集在计算机中. 人们当然不会仅仅满足对这些数据的简单查询. 从信息处理的角度, 人们更希望计算机帮助我们分析数据. 理解数据, 帮助我们基于丰富的数据作出决策, 做人力所不能及的事情. 于是, 数据挖掘—从大量数据中用非平凡的方法发现有用的知识—就成了一种自然的需求. 正是这种需求引起了人们的广泛关注, 导致了数据挖掘研究的蓬勃开展.
数据挖掘是一个多学科交叉领域. 这同样是很自然的事. 一方面, 想要以非平凡的方法发现蕴藏在大量数据集中的有用知识, 数据挖掘必须从数据库技术. 人工智能. 机器学习. 神经网络. 统计学. 模式识别. 知识库系统. 知识获取. 信息提取. 高性能计算和数据可视化等学科领域汲取营养. 另一方面, 这些学科领域也要发展, 也在从不同角度关注数据的分析和理解, 数据挖掘也为这些学科领域的发展提供了新的机遇与挑战.
数据挖掘引起了学术界和产业界的广泛关注, 吸引了一大批研究者和开发者. 国内外许多大学都先后开设了数据挖掘课程. 然而, 长期以来并没有合适的教材或专著. 1999年9月, 在美国San Diego的KDD99国际会议上, 我们得知Jiawei Han（韩家炜）教授和Micheline Kamber正在写一本关于数据挖掘的书. 不久, 我们得到了韩家炜的《数据挖掘：概念和技术》书稿的前8章和第9. 10两章的目录. 浏览了各章目录并认真地阅读几章后, 我们被这本书深深地吸引了. 在此之前, 译者看过几本关于数据挖掘的书. 就译者所知, 从数据库角度全面. 系统地介绍数据挖掘的基本概念. 基本方法和基本技术以及数据挖掘的最新进展, 《数据挖掘：概念和技术》还是第一本. 这使译者萌发了将该书译成中文, 介绍给国内同行的念头.
Jiawei Han（韩家炜）教授是数据库领域国际知名的学者. 他早年就读于郑州大学, 后赴美国留学, 在威斯康辛大学获硕士和博士学位. 毕业后, 他曾在美国西北大学任教, 1988年起在加拿大西蒙·弗雷泽大学任教, 现任计算科学系教授. 智能数据库系统研究实验室主任. 他是KDD等十几个国际学术会议的程序委员会委员, 《IEEE知识与数据工程汇刊》. 《数据挖掘与知识发现》等多种学术期刊的编委. 韩家炜教授在演绎数据库. 数据挖掘. 数据库系统等方面的研究一直居领先地位. 他先后在国际著名学术刊物和重要国际学术会议上发表论文100余篇, 主持开发了数据挖掘系统DBMiner. 《数据挖掘：概念和技术》建立了一个学习数据挖掘的有组织的框架, 也融入了韩家炜教授从事数据挖掘研究十余年的心血.
正如Jim Gray所指出的, 数据挖掘领域“发展非常迅速, 这本书提供了一条学习该领域基本思想和了解该领域现状的快捷之路. ”
全书主要包括10章和两个附录. 本书的翻译和审校由范明和孟小峰共同组织完成. 范明负责第1～7章. 孟小峰负责第8～10章及两个附录. 参加翻译工作的还有徐华（第1. 2章）, 叶阳东（第3. 4章）, 姬安明（第7章）, 王静（第8章）, 李盛恩（附录A）, 李翠萍（附录B）. 此外, 北京石油大学马玉书教授审阅了译稿的第1～7章, 提出了许多宝贵的意见和建议, 北京大学计算机系董云海对第8章提出了修改意见. 全书由范明和孟小峰负责统一定稿. 译者还参照该书Web主页中的勘误表, 对书中的疏漏之处进行了更正. 同时对在翻译中发现的错误进行了更正, 并反馈给作者.
在本书翻译过程中, 得到韩家炜教授的大力支持. 他向译者提供了书稿第1～8章和英文版的最终版本. 译者感谢机械工业出版社华章公司的编辑们, 是他们的远见, 使得该书能够尽快与读者见面.
由于本书涉及面广, 许多术语目前尚无固定译法, 翻译难度确实很大. 有时, 为了对一个术语选择一个简洁. 达义的译法, 译者虽经反复推敲. 讨论, 但仍然难免出现词不达意之处. 此外, 由于译者水平有限, 译文中的不当之处也在所难免. 译文中的错误当然应当由译者负责. 但我们真诚地希望同行和读者朋友们不吝赐教. 如果你能将你的意见和建议发往mfan@mail.zzu.edu.cn或xfmeng@public.bpa.net.cn, 我们将不胜感激.

译 者
2001年4月

范明 郑州大学计算机科学系教授, 副系主任, 兼任河南省计算机学会软件专业委员会主任. 长期从事计算机软件教学和研究. 主要讲授的课程包括计算机操作系统. 数据库系统原理. 知识库系统原理. 数据挖掘和程序设计等. 关心的主要研究领域包括递归查询优化. 数据挖掘和数据仓库. 1989—1990年曾访问加拿大西蒙·弗雷泽大学计算机科学系, 从事演绎数据库研究. 1999年访问美国Wright state大学计算机科学与工程系. 从事数据挖掘研究.

在过去的数十年中, 我们产生和收集数据的能力已经迅速提高. 起作用的因素包括条码在大部分商业产品中的广泛使用, 许多商务. 科学和行政事务的计算机化, 以及由文本和图像扫描平台到卫星遥感系统的数据收集工具的进步. 此外, 作为全球信息系统的万维网的流行, 已经将我们淹没在数据和信息的汪洋大海中. 存储数据的爆炸性增长业已激起对新技术和自动工具的需求, 以便帮助我们将海量数据转换成信息和知识.
本书考察数据挖掘的技术和概念. 数据挖掘是数据库系统和新的数据库应用的一个有希望的. 欣欣向荣的学科前沿. 数据挖掘通常又称数据库中知识发现（KDD）, 是自动的或方便的模式提取, 这些模式代表隐藏在大型数据库. 数据仓库或其他大量信息存储中的知识.
数据挖掘是一个多学科领域, 从多个学科汲取营养. 这些学科包括数据库技术. 人工智能. 机器学习. 神经网络. 统计学. 模式识别. 知识库系统. 知识获取. 信息检索. 高性能计算和数据可视化. 我们从数据库角度提供本书中的材料. 即是, 我们集中讨论关于隐藏在大型数据库中的模式发现技术的可行性. 有用性. 有效性和可伸缩性问题. 这样, 本书不打算作为数据库系统. 机器学习. 统计学或其他某些领域的导论, 尽管我们确实提供了这些领域必要的背景材料, 以便读者理解它们各自在数据挖掘中的作用. 本书是数据挖掘的全面介绍, 与数据库主要问题一起讨论. 对于计算科学的学生. 应用开发者. 商务人员以及涉及以上列举的学科的研究者, 本书应当是有用的.
数据挖掘出现于20世纪80年代后期, 90年代有了突飞猛进的发展, 并可望在新千年继续繁荣. 本书从数据库研究者的角度提供该领域的全面情况, 介绍有趣的数据挖掘技术和系统, 并讨论应用和研究方向. 写作本书的重要动机是需要建立一个学习数据挖掘的有组织的框架—由于这个快速发展领域的多学科特点, 这是一个具有挑战性的任务. 我们希望本书有助于具有不同背景和经验的人交换关于数据挖掘的见解, 为进一步促进这个令人激动的. 不断发展的领域的成长做出贡献.
写给教师
本书旨在提供数据挖掘领域的一个广博的然而也是深入的概览. 对于讲授高年级本科生或一年级研究生的数据挖掘课程, 本书是有用的. 此外, 每章都包含了数据库或人工智能课程选题方面的材料. 我们试图使得每章尽可能自包含, 以便你不必顺序阅读每一章. 对于本科生课程, 可以使用第1～8章作为课程的核心材料. 余下的课堂材料可以由第9. 10章介绍的更高级的课题中选择. 对于研究生课程, 可以选择一学期讲完全书.
每章后面都有一些习题, 适合作为课后作业. 这些习题或者是短问题, 用于测验对内容的掌握, 或者是长问题, 需要分析思考.
写给学生
我们希望这本教材将激发你对刚刚开始然而正在发展的数据挖掘领域的兴趣. 我们试图以清晰的方式提供材料, 仔细地解释所涵盖的课题. 每一章的结尾有一个小结, 介绍要点. 全书包含了许多图和解释, 以便使本书成为更令人愉快的和对“读者友好”. 尽管本书作为教材编写, 我们也试图组织它, 使得它也是一本有用的参考书或手册, 如果你今后决定在数据挖掘方面求职的话.
为阅读本书, 你需要知道什么？
?你应当具有一些关于数据库系统的概念和术语方面的知识. 然而, 我们确实试图提供数据库技术基础的足够背景, 以便如果你的记忆有点生锈, 你也能够理解本书的讨论. 你应当具有一些数据库查询知识, 尽管任何特定的查询语言知识不是必需的.
?你应当具有一些程序设计经验. 特别是, 你应当能够阅读伪代码, 以及理解简单的数据结构, 如多维数组.
?在统计学. 机器学习或模式识别方面具有一些预备知识是有帮助的. 然而, 我们将使你从数据库角度熟悉这些领域与数据挖掘相关的基本概念.
写给专业人员
本书旨在涵盖数据挖掘领域的广泛课题. 这样, 本书是关于该主题的一本优秀手册. 由于每一章的编写尽可能独立, 你可以专注于你最感兴趣的课题. 本书的大部分适合像你一样希望学习数据挖掘的关键思想的应用程序员和信息服务管理者.
所提供的技术和算法是实用的. 本书介绍的算法适合于发现隐藏在大型的现实数据库中的模式, 而不是挑选在小型“玩具”数据库上运行良好的算法. 在第10章, 我们简略地讨论了数据挖掘系统的商业应用, 以及有希望的研究原型. 本书提供的每个算法都用伪代码解释, 但经过精心策划, 使得不熟悉C或C++的程序员易于理解. 如果你想实现算法, 你会发现将我们的伪代码转换成选定的程序设计语言程序是一项直接了当的任务.
本书的组织
本书的组织如下：
第1章提供关于数据挖掘的多学科领域的导论. 该章简略介绍数据库技术的发展, 这些发展导致需要数据挖掘, 以及数据挖掘潜在应用的重要性, 描述数据挖掘系统的基本结构, 简略介绍数据库系统和数据仓库系统的概念, 根据挖掘的知识类型, 介绍数据挖掘任务的详细分类, 介绍数据挖掘系统的分类, 并讨论该领域的主要挑战.
第2章是数据仓库和OLAP（联机分析处理）的引论. 课题包括数据仓库和多维数据库, 数据立方体结构, 联机分析处理的实现, 以及数据仓库和数据挖掘的关系.
第3章介绍挖掘之前的数据预处理技术. 讨论数据清理. 数据集成和转换. 数据归约的方法, 包括动态和静态离散化概念分层的使用. 本章还介绍了概念分层的自动生成.
第4章介绍定义数据挖掘任务说明的数据挖掘原语. 该章介绍数据挖掘查询语言（DMQL）, 给出一些数据挖掘查询的例子. 本章还讨论了其他语言, 以及图形用户界面构造和数据挖掘系统结构.
第5章介绍概念描述技术, 包括特征和区分. 介绍面向属性的概化技术, 以及它的不同实现, 包括概化关系技术和多维数据方技术. 解释多种形式的知识表示和可视化, 讨论相关分析. 给出多抽象层类比较方法和具有兴趣度度量的特征规则和区分规则的提取方法. 此外, 还讨论描述式挖掘的统计度量.
第6章介绍在事务数据库以及关系数据库和数据仓库中挖掘关联规则的方法. 包括关联规则的分类, 基本Apriori算法和它的变形, 挖掘多层关联规则. 多维关联规则. 量化关联规则和相关规则的技术. 介绍一种称作频繁模式增长的新技术, 它挖掘频繁模式, 而不产生候选项集. 该章还讨论通过基于限制的挖掘和使用兴趣度度量对规则搜索聚焦, 找出有趣规则的策略.
第7章介绍数据分类和预测方法, 包括判定树归纳. 贝叶斯分类. 后向传播的神经网络技术. k-最邻近分类法. 基于案例的推理. 遗传算法. 粗糙集理论和模糊集方法. 介绍基于源自关联规则挖掘的概念分类, 并介绍回归方法和讨论有关分类法精确度的问题.
第8章介绍聚类分析方法. 首先介绍数据聚类概念, 然后提供若干主要的数据聚类技术, 包括基于划分的聚类. 层次聚类和基于模型的聚类. 介绍聚类连续数据. 离散数据和多维数据立方体中的数据方法. 详细讨论聚类算法的可伸缩性.
第9章讨论先进的数据库系统中的数据挖掘方法. 包括在面向对象数据库. 空间数据库. 多媒体数据库. 时间序列数据库. 文本数据库和万维网中的数据挖掘.
最后, 在第10章, 我们总结本书提供的概念, 并讨论数据挖掘的应用和一些具有挑战性的研究问题.
遍及全书, 楷体字用于强调定义的术语, 而黑体字用于突出主要思想.
错误
或许, 本书可能包含打字错误. 差错或遗漏. 如果你发现错误, 提出关于附加的习题的建议或者其他建设性批评, 我们将乐于听到. 我们欢迎并感谢你的建议. 你可以将你的意见寄到
Data Mining:Concepts and Techniques
Intelligent Database Systems Research Laboratory
School of Computing Science
Simon Fraser University
Burnaby, British Columbia
Canada V5A 1S6
Fax: (604) 291-3045
此外, 你也可以使用电子邮件提交查错报告, 申请已知错误清单, 或提出建设性意见. 为收到指导, 发一个e-mail到dmbook@cs.sfu.ca, 消息头部写上“Subject: Help”. 很抱歉, 我们不能亲自回答所有的电子邮件消息. 书中的错误和涉及本书的其他更新信息可以通过Web地址www.cs.sfu.ca/~han/DM_Book找到.