一、什么是智能數(shù)據(jù)分析？

智能數(shù)據(jù)分析，它是指運用統(tǒng)計學、模式識別、機器學習、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，在實際使用中充當智能化助手的角色，使工作人員在恰當?shù)臅r間擁有恰當?shù)男畔�，幫助他們在有限的時間內(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，在實際使用中充當智能化助手的角色，使工作人員在恰當?shù)臅r間擁有恰當?shù)男畔�，幫助他們在有限的時間內(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)的價值很小，只有通過智能化分析方法抽取其中的精華，才能從數(shù)據(jù)中挖掘出其中的價值，為人類所利用。

二、智能數(shù)據(jù)分析分類

智能數(shù)據(jù)分析方法主要為兩種類型，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)抽象結構是對現(xiàn)實世界的一種抽象從實際的人、物、事和概念中抽取所關心的共同特性，忽略非本質(zhì)的細節(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。簡而言之就是在忽略類對象間存在差異的同時，展現(xiàn)了對用戶而言最重要的特性。三種常用的抽象：分類、聚集、概括。

數(shù)據(jù)挖掘：一般是指從大量的數(shù)據(jù)中通過算法搜索隱藏于其中信息的過程。數(shù)據(jù)挖掘通常與計算機科學有關，并通過統(tǒng)計、在線分析處理、情報檢索、機器學習、專家系統(tǒng)（依靠過去的經(jīng)驗法則）和模式識別等諸多方法來實現(xiàn)上述目標。智能數(shù)據(jù)分析方法包括分類、估計、預測、相關性分組或關聯(lián)規(guī)則，聚類，復雜數(shù)據(jù)類型挖掘等。

三、智能數(shù)據(jù)分析的常見方法

智能分析技術在數(shù)據(jù)的處理數(shù)據(jù)中具有非常重要的意義，主要包括以下幾類常見方法：

決策樹：在已知各種情況發(fā)生概率的基礎上， 通過構成決策樹來求取凈現(xiàn)值的期望值大于等于零的概率，評價項目風險， 判斷其可行性的決策分析方法，是直觀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(shù)據(jù)進行分類的一種方法。首先通過一批已知的訓練數(shù)據(jù)建立一棵決策樹， 然后采用建好的決策樹對數(shù)據(jù)進行預測。決策樹的建立過程是數(shù)據(jù)規(guī)則的生成過程，因此，這種方法實現(xiàn)了數(shù)據(jù)規(guī)則的可視化， 其輸出結果容易理解， 精確度較好， 效率較高， 缺點是難于處理關系復雜的數(shù)據(jù)。常用的方法有分類及回歸樹法、雙方自動交互探測法等。

關聯(lián)規(guī)則：是形如X→Y的蘊涵式，其中， X和Y分別稱為關聯(lián)規(guī)則的先導（antecedent或left－h(huán)and－side， LHS）和后繼（consequent或right－h(huán)and－side， RHS） 。其中，關聯(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)庫中，通常帶有大量的數(shù)據(jù)，當今使用這種方法來削減搜索空間。

粗糙集：是繼概率論、模糊集、證據(jù)理論之后的又一個處理不確定性的數(shù)學工具。用粗糙集理論進行數(shù)據(jù)分析主要有以下優(yōu)勢： 它無需提供對知識或數(shù)據(jù)的主觀評價， 僅根據(jù)觀測數(shù)據(jù)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稱為R的粗糙集。

模糊數(shù)學分析：用模糊（Fuzzy sets）數(shù)學理論來進行智能數(shù)據(jù)分析�，F(xiàn)實世界中客觀事物之間通常具有某種不確定性。越復雜的系統(tǒng)其精確性越低，也就意味著模糊性越強。在數(shù)據(jù)分析過程中， 利用模糊集方法對實際問題進行模糊評判、模糊決策、模糊預測、模糊模式識別和模糊聚類分析， 這樣能夠取得更好更客觀的效果。

人工神經(jīng)網(wǎng)絡：一種應用類似于大腦神經(jīng)突觸聯(lián)接的結構進行信息處理的數(shù)學模型。該模型由大量的節(jié)點（或稱神經(jīng)元）之間相互聯(lián)接構成。每個節(jié)點代表一種特定的輸出函數(shù)，稱為激勵函數(shù)（activationfunction）。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權值， 稱之為權重，這相當于人工神經(jīng)網(wǎng)絡的記憶。網(wǎng)絡的輸出則依網(wǎng)絡的連接方式， 權重值和激勵函數(shù)的不同而不同。而網(wǎng)絡自身通常都是對自然界某種算法或者函數(shù)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）理論是非線性科學中的兩個重要概念， 研究非線性系統(tǒng)內(nèi)部的確定性與隨機性之間的關系。混沌描述的是非線性動力系統(tǒng)具有的一種不穩(wěn)定且軌跡局限于有限區(qū)域但永不重復的運動， 分形解釋的是那些表面看上去雜亂無章、變幻莫測而實質(zhì)上潛在有某種內(nèi)在規(guī)律性的對象，因此，二者可以用來解釋自然界以及社會科學中存在的許多普遍現(xiàn)象。其理論方法可以作為智能認知研究、圖形圖像處理、自動控制以及經(jīng)濟管理等諸多領域應用的基礎。

自然計算分析：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�種不同類型的分析方法： 一是群體智能算法， 二是免疫算術方法，三是DNA算法。群體智能主要是對集體行為進行研究，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， 它可以進行全局尋優(yōu)，在實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調(diào)整搜索方向，在整個過程中都不需要確定的規(guī)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。