一、什么是智能數(shù)據(jù)分析？

智能數(shù)據(jù)分析，它是指運(yùn)用統(tǒng)計(jì)學(xué)、模式識(shí)別、機(jī)器學(xué)習(xí)、數(shù)據(jù)抽象等數(shù)據(jù)分析工具從數(shù)據(jù)中發(fā)現(xiàn)知識(shí)的分析方法。智能數(shù)據(jù)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(dāng)智能化助手的角色，使工作人員在恰當(dāng)?shù)臅r(shí)間擁有恰當(dāng)?shù)男畔�，幫助他們�(cè)谟邢薜臅r(shí)間內(nèi)作出正確的決定。

智能數(shù)據(jù)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(dāng)智能化助手的角色，使工作人員在恰當(dāng)?shù)臅r(shí)間擁有恰當(dāng)?shù)男畔ⅲ瑤椭�他們�(cè)谟邢薜臅r(shí)間內(nèi)作出正確的決定。信息系統(tǒng)中積累的大量數(shù)據(jù)，其原始數(shù)據(jù)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(shù)據(jù)中挖掘出其中的價(jià)值，為人類(lèi)所利用。

二、智能數(shù)據(jù)分析分類(lèi)

智能數(shù)據(jù)分析方法主要為兩種類(lèi)型，一是數(shù)據(jù)抽象（DataAbstraction） ；二是數(shù)據(jù)挖掘（Date Mining）。

數(shù)據(jù)抽象：數(shù)據(jù)抽象結(jié)構(gòu)是對(duì)現(xiàn)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(xì)節(jié)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(duì)象間存在差異的同時(shí)，展現(xiàn)了對(duì)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(shù)據(jù)挖掘：一般是指從大量的數(shù)據(jù)中通過(guò)算法搜索隱藏于其中信息的過(guò)程。數(shù)據(jù)挖掘通常與計(jì)算機(jī)科學(xué)有關(guān)，并通過(guò)統(tǒng)計(jì)、在線(xiàn)分析處理、情報(bào)檢索、機(jī)器學(xué)習(xí)、專(zhuān)家系統(tǒng)（依靠過(guò)去的經(jīng)驗(yàn)法則）和模式識(shí)別等諸多方法來(lái)實(shí)現(xiàn)上述目標(biāo)。智能數(shù)據(jù)分析方法包括分類(lèi)、估計(jì)、預(yù)測(cè)、相關(guān)性分組或關(guān)聯(lián)規(guī)則，聚類(lèi)，復(fù)雜數(shù)據(jù)類(lèi)型挖掘等。

三、智能數(shù)據(jù)分析的常見(jiàn)方法

智能分析技術(shù)在數(shù)據(jù)的處理數(shù)據(jù)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(chǔ)上， 通過(guò)構(gòu)成決策樹(shù)來(lái)求取凈現(xiàn)值的期望值大于等于零的概率，評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)， 判斷其可行性的決策分析方法，是直觀運(yùn)用概率分析的一種圖解法，它是建立在信息論基礎(chǔ)之上對(duì)數(shù)據(jù)進(jìn)行分類(lèi)的一種方法。首先通過(guò)一批已知的訓(xùn)練數(shù)據(jù)建立一棵決策樹(shù)， 然后采用建好的決策樹(shù)對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。決策樹(shù)的建立過(guò)程是數(shù)據(jù)規(guī)則的生成過(guò)程，因此，這種方法實(shí)現(xiàn)了數(shù)據(jù)規(guī)則的可視化， 其輸出結(jié)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(fù)雜的數(shù)據(jù)。常用的方法有分類(lèi)及回歸樹(shù)法、雙方自動(dòng)交互探測(cè)法等。

關(guān)聯(lián)規(guī)則：是形如X→Y的蘊(yùn)涵式，其中， X和Y分別稱(chēng)為關(guān)聯(lián)規(guī)則的先導(dǎo)（antecedent或left－h(huán)and－side， LHS）和后繼（consequent或right－h(huán)and－side， RHS） 。其中，關(guān)聯(lián)規(guī)則XY，存在支持度和信任度。這種方法主要是用于事物數(shù)據(jù)庫(kù)中，通常帶有大量的數(shù)據(jù)，當(dāng)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(jù)理論之后的又一個(gè)處理不確定性的數(shù)學(xué)工具。用粗糙集理論進(jìn)行數(shù)據(jù)分析主要有以下優(yōu)勢(shì)： 它無(wú)需提供對(duì)知識(shí)或數(shù)據(jù)的主觀評(píng)價(jià)， 僅根據(jù)觀測(cè)數(shù)據(jù)就能達(dá)到刪除冗余信息；非常適合并行計(jì)算、提供結(jié)果的直接解釋。如下圖，X稱(chēng)為R的粗糙集。

模糊數(shù)學(xué)分析：用模糊（Fuzzy sets）數(shù)學(xué)理論來(lái)進(jìn)行智能數(shù)據(jù)分析。現(xiàn)實(shí)世界中客觀事物之間通常具有某種不確定性。越復(fù)雜的系統(tǒng)其精確性越低，也就意味著模糊性越強(qiáng)。在數(shù)據(jù)分析過(guò)程中， 利用模糊集方法對(duì)實(shí)際問(wèn)題進(jìn)行模糊評(píng)判、模糊決策、模糊預(yù)測(cè)、模糊模式識(shí)別和模糊聚類(lèi)分析， 這樣能夠取得更好更客觀的效果。

人工神經(jīng)網(wǎng)絡(luò)：一種應(yīng)用類(lèi)似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。該模型由大量的節(jié)點(diǎn)（或稱(chēng)神經(jīng)元）之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱(chēng)為激勵(lì)函數(shù)（activationfunction）。每?jī)蓚�(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對(duì)于通過(guò)該連接信號(hào)的加權(quán)值， 稱(chēng)之為權(quán)重，這相當(dāng)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(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對(duì)自然界某種算法或者函數(shù)的逼近， 也可能是對(duì)一種邏輯策略的表達(dá)。

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(tǒng)內(nèi)部的確定性與隨機(jī)性之間的關(guān)系。混沌描述的是非線(xiàn)性動(dòng)力系統(tǒng)具有的一種不穩(wěn)定且軌跡局限于有限區(qū)域但永不重復(fù)的運(yùn)動(dòng)， 分形解釋的是那些表面看上去雜亂無(wú)章、變幻莫測(cè)而實(shí)質(zhì)上潛在有某種內(nèi)在規(guī)律性的對(duì)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(xiàn)象。其理論方法可以作為智能認(rèn)知研究、圖形圖像處理、自動(dòng)控制以及經(jīng)濟(jì)管理等諸多領(lǐng)域應(yīng)用的基礎(chǔ)。

自然計(jì)算分析：這種數(shù)據(jù)分析方法根據(jù)不同生物層面的模擬與仿真， 通�？梢苑譃橐韵氯�種不同類(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(duì)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(jī)化搜索方法， 它可以進(jìn)行全局尋優(yōu)，在實(shí)際的運(yùn)用中一般都能獲取優(yōu)化的搜索空間，在此基礎(chǔ)上還能自動(dòng)調(diào)整搜索方向，在整個(gè)過(guò)程中都不需要確定的規(guī)則，當(dāng)前DNA算法普遍應(yīng)用于多種行業(yè)中， 并取得了不錯(cuò)的成效。