程旭 王萌 齊新

摘要：伴隨著大數(shù)據(jù)的發(fā)展，各大企業(yè)都在成立自己的數(shù)據(jù)中心，目的是為了統(tǒng)一處理各大部門(mén)的數(shù)據(jù)信息，打造一個(gè)數(shù)據(jù)中臺(tái)來(lái)提升企業(yè)的綜合實(shí)力。BI系統(tǒng)應(yīng)用而生，BI主要是通過(guò)對(duì)大數(shù)據(jù)的收集，提取，分析vx2c～，-7;.等操作，過(guò)濾之后的信息以各種圖形化的方式展示出來(lái)，幫助領(lǐng)導(dǎo)以及企業(yè)做出正確的決斷。通過(guò)對(duì)國(guó)內(nèi)的大部分?jǐn)?shù)據(jù)中心進(jìn)行觀察發(fā)現(xiàn)了以下問(wèn)題：海量的數(shù)據(jù)不能正確的處理，復(fù)雜的圖表展示，大量冗余的信息使得企業(yè)不得做出正確的決定。故該文主要針對(duì)報(bào)表系統(tǒng)的數(shù)據(jù)挖掘模型進(jìn)行優(yōu)化設(shè)計(jì)與分析。

關(guān)鍵詞：報(bào)表系統(tǒng);數(shù)據(jù)挖掘

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）06-0005-02

1背景

BI又被稱(chēng)為商務(wù)智能，譯為Business Intelligence，在1989年，Howard Dresner稱(chēng)為“使用基于事實(shí)的決策系統(tǒng)，來(lái)解決業(yè)務(wù)決策的一套理論和方法”，主要是通過(guò)數(shù)據(jù)倉(cāng)庫(kù)，數(shù)據(jù)挖掘以及報(bào)表系統(tǒng)集合來(lái)打造一個(gè)系統(tǒng)。將多種來(lái)源的數(shù)據(jù)整合并提取出共性數(shù)據(jù)，然后對(duì)數(shù)據(jù)進(jìn)行清洗，分析以及整理，這個(gè)數(shù)據(jù)處理就叫作ETL過(guò)程，ETL過(guò)程可以完善數(shù)據(jù)的正確性。然后對(duì)數(shù)據(jù)進(jìn)行分類(lèi)整理呈現(xiàn)給決策者或者存人數(shù)據(jù)倉(cāng)庫(kù)。目前國(guó)內(nèi)的BI系統(tǒng)發(fā)展迅速，大部分企業(yè)的數(shù)據(jù)分析技術(shù)也很強(qiáng)，但是大家對(duì)于BI的認(rèn)知不同導(dǎo)致設(shè)計(jì)系統(tǒng)的側(cè)重點(diǎn)也是不同的，在此僅針對(duì)BI系統(tǒng)部分的數(shù)據(jù)挖掘進(jìn)行優(yōu)化。

2數(shù)據(jù)挖掘模型

2.1數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是對(duì)數(shù)據(jù)進(jìn)行抽取，分析，處理之后形成的數(shù)據(jù)倉(cāng)庫(kù)，之后再對(duì)數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)進(jìn)一步挖掘的過(guò)程。

2.2數(shù)據(jù)模型之決策樹(shù)

決策樹(shù)結(jié)構(gòu)如圖2所示。

決策樹(shù)是樹(shù)形結(jié)構(gòu)，每個(gè)節(jié)點(diǎn)是一個(gè)簡(jiǎn)單的線性決策器，節(jié)點(diǎn)屬性依據(jù)取值的不同劃分為不同的種類(lèi)，其中決策樹(shù)的任意一個(gè)非葉子節(jié)點(diǎn)有兩個(gè)特點(diǎn)：一個(gè)訓(xùn)練子集和一個(gè)分割屬性，每個(gè)節(jié)點(diǎn)的訓(xùn)練子集互不相交。

決策樹(shù)的構(gòu)造：

在初始時(shí)刻構(gòu)建樹(shù)根節(jié)點(diǎn)，且樹(shù)根節(jié)點(diǎn)擁有所有的訓(xùn)練數(shù)據(jù)，任一節(jié)點(diǎn)Ni，選擇數(shù)據(jù)的某一個(gè)屬性A，以A的不同值，把節(jié)點(diǎn)Ni擁有的數(shù)據(jù)Di劃分為全部沒(méi)有交集的集合，每個(gè)集合變成Ni的一個(gè)子節(jié)點(diǎn)，當(dāng)某個(gè)節(jié)點(diǎn)的所有訓(xùn)練數(shù)據(jù)都屬于同一個(gè)類(lèi)時(shí)，該節(jié)點(diǎn)的劃分過(guò)程結(jié)束，生成葉節(jié)點(diǎn)只有一個(gè)屬性，它的父節(jié)點(diǎn)擁有的數(shù)據(jù)集所屬的類(lèi)標(biāo)號(hào)。

ID3算法：

決策樹(shù)的重點(diǎn)在于如何最有效的去劃分子節(jié)點(diǎn)，也就是選擇劃分的屬性使得從數(shù)據(jù)集中找到最重要的數(shù)據(jù)，我們可以用數(shù)據(jù)的不純性來(lái)描述數(shù)據(jù)分割的能力，“純”代表著分割之后的子集異類(lèi)數(shù)目越少越好，因此衍生出了ID3算法，采取信息增益這個(gè)量來(lái)作為純度的度量，

算法流程：

1）計(jì)算信息熵，對(duì)于給定的變量擁有的概率分布向量（p1，p2，p3……），我們可以計(jì)算出信息熵是概率分布向量的對(duì)數(shù)期望值：H=-f（x）=-∑npn logpn，主要是來(lái)衡量隨機(jī)變量的不確定性;

2）計(jì)算熵不純度：對(duì)決策數(shù)的節(jié)點(diǎn)N定義熵不純度為i（N）=H（N）;

3）對(duì)于節(jié)點(diǎn)的不同取值，都進(jìn)行子節(jié)點(diǎn)的信息增益計(jì)算：IG（N/Ai）=H（N）-∑I Ni/NH（Ni）=H（N）-H（N/Ai），可選取信息增益最大的屬性作為當(dāng)前劃分屬性，之后再?gòu)牡谝徊介_(kāi)始循環(huán)，直到葉子節(jié)點(diǎn)。

以信息的增益為例，我們一般會(huì)選取屬性相同多的屬性，這樣做的后果是會(huì)造成對(duì)取值數(shù)目的屬性和個(gè)數(shù)有所偏好，為了減少這種偏好取值所帶來(lái)的影響，我們可以采用C4.5算法來(lái)消除這種影響，使用屬性增益率來(lái)劃分最適合屬性，對(duì)最適合的信息增益屬性取權(quán)值再求熵，作為最后的增益率劃分屬性。

C4.5算法：

與ID3算法不同的是，C4.5算法劃分重點(diǎn)轉(zhuǎn)移到信息增益率上，信息增益率可以表示為：IGR=IG（N/Ai）/H（N/Ai），息增益除以分割后的信息熵，它通過(guò)信息增益率的選擇分裂屬性可以解決ID3算法中通過(guò)信息增益傾向擁有多個(gè)屬性值的屬性進(jìn)行分割的不足，同時(shí)也可以將連續(xù)性的屬性進(jìn)行離散化的處理，屬性離散化處理流程：將屬性A的N個(gè)屬性按照一定的規(guī)則排序，然后將屬性A的所有量化屬性通過(guò)二分法劃分為兩個(gè)部分，可以計(jì)算出共有N-1種劃分的方法，劃分的值取相近的屬性取平均值，計(jì)算出每一種劃分方式的信息增益值，然后對(duì)比信息增益的結(jié)果，將信息增益值最大的劃分方式的閾值作為屬性A的二分閾值。也就是當(dāng)前節(jié)點(diǎn)的劃分方式。

算法流程：

1）將當(dāng)前節(jié)點(diǎn)上的屬性A的值作為所有樣本的數(shù)據(jù)，然后將數(shù)據(jù)進(jìn)行排序，得到屬性A的排列屬性（xA1，..xAN）。

2）對(duì)于屬性A的排序（xA1，...xAN）中共有N-1種劃分方法，總計(jì)可以產(chǎn)生N-1個(gè)劃分閾值。假設(shè)針對(duì)第i種劃分方式，取其二分閾值為θi=（xAi+xAi）/2?？梢詫⒃摴?jié)點(diǎn)上的原始數(shù)據(jù)集劃分為2個(gè)子數(shù)據(jù)集（xA1，...，xAi）（xAi+1，...，xAN）。然后計(jì)算該劃分方法下的信息增益。

3）統(tǒng)計(jì)N-1種劃分結(jié)果下的信息增益值，選取信息增益值最優(yōu)的方式作為對(duì)屬性A的劃分方式。

2.3決策樹(shù)算法優(yōu)化

為了提高決策樹(shù)的性能，避免決策樹(shù)的分支太多造成泛化的能力太差，可以在構(gòu)建決策樹(shù)時(shí)采用剪枝的方式：停止樹(shù)的構(gòu)建，不在分割某個(gè)節(jié)點(diǎn)，直接構(gòu)建葉子節(jié)點(diǎn)，葉節(jié)點(diǎn)的標(biāo)號(hào)為父節(jié)點(diǎn)的占優(yōu)類(lèi)或者類(lèi)分布，比如設(shè)置信息增益的閾值，分割時(shí)不能超過(guò)閾值則分割停止。或者我們?cè)跇?gòu)建決策樹(shù)之后在進(jìn)行剪枝。達(dá)到優(yōu)化性能的目的。C4.5算法使用PEP剪枝法，是一種自上而下的剪枝法，這里就不再細(xì)述。

伴隨著數(shù)據(jù)集的規(guī)模越來(lái)越大，可能會(huì)出現(xiàn)再一次內(nèi)存中無(wú)法存放所有的訓(xùn)練集，這時(shí)我們可以采用隨機(jī)讀人數(shù)據(jù)放入內(nèi)存中進(jìn)行訓(xùn)練數(shù)據(jù)子集，在獲取的子集上構(gòu)造決策樹(shù)，同時(shí)可以重復(fù)采樣，獲取多棵決策樹(shù)，最后再用集成學(xué)習(xí)的方式綜合多棵決策樹(shù)的結(jié)果獲取最終的分割屬性。

3結(jié)束語(yǔ)

針對(duì)數(shù)據(jù)挖掘模型做出優(yōu)化，可以極大地改善數(shù)據(jù)提取的效率和精準(zhǔn)度，對(duì)于大型企業(yè)的冗余信息提取具有重大的意義，同時(shí)由于BI系統(tǒng)依賴(lài)大數(shù)據(jù)的特性，數(shù)據(jù)挖掘算法也成為BI系統(tǒng)中很重要的一步，可以為后續(xù)的BI系統(tǒng)信息展示提供良好的支撐作用。