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)一處理各大部門的數(shù)據(jù)信息，打造一個數(shù)據(jù)中臺來提升企業(yè)的綜合實力。BI系統(tǒng)應用而生，BI主要是通過對大數(shù)據(jù)的收集，提取，分析vx2c～，-7;.等操作，過濾之后的信息以各種圖形化的方式展示出來，幫助領(lǐng)導以及企業(yè)做出正確的決斷。通過對國內(nèi)的大部分數(shù)據(jù)中心進行觀察發(fā)現(xiàn)了以下問題：海量的數(shù)據(jù)不能正確的處理，復雜的圖表展示，大量冗余的信息使得企業(yè)不得做出正確的決定。故該文主要針對報表系統(tǒng)的數(shù)據(jù)挖掘模型進行優(yōu)化設(shè)計與分析。

關(guān)鍵詞：報表系統(tǒng);數(shù)據(jù)挖掘

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2020）06-0005-02

1背景

BI又被稱為商務(wù)智能，譯為Business Intelligence，在1989年，Howard Dresner稱為“使用基于事實的決策系統(tǒng)，來解決業(yè)務(wù)決策的一套理論和方法”，主要是通過數(shù)據(jù)倉庫，數(shù)據(jù)挖掘以及報表系統(tǒng)集合來打造一個系統(tǒng)。將多種來源的數(shù)據(jù)整合并提取出共性數(shù)據(jù)，然后對數(shù)據(jù)進行清洗，分析以及整理，這個數(shù)據(jù)處理就叫作ETL過程，ETL過程可以完善數(shù)據(jù)的正確性。然后對數(shù)據(jù)進行分類整理呈現(xiàn)給決策者或者存人數(shù)據(jù)倉庫。目前國內(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，但是大家對于BI的認知不同導致設(shè)計系統(tǒng)的側(cè)重點也是不同的，在此僅針對BI系統(tǒng)部分的數(shù)據(jù)挖掘進行優(yōu)化。

2數(shù)據(jù)挖掘模型

2.1數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是對數(shù)據(jù)進行抽取，分析，處理之后形成的數(shù)據(jù)倉庫，之后再對數(shù)據(jù)倉庫中的數(shù)據(jù)進一步挖掘的過程。

2.2數(shù)據(jù)模型之決策樹

決策樹結(jié)構(gòu)如圖2所示。

決策樹是樹形結(jié)構(gòu)，每個節(jié)點是一個簡單的線性決策器，節(jié)點屬性依據(jù)取值的不同劃分為不同的種類，其中決策樹的任意一個非葉子節(jié)點有兩個特點：一個訓練子集和一個分割屬性，每個節(jié)點的訓練子集互不相交。

決策樹的構(gòu)造：

在初始時刻構(gòu)建樹根節(jié)點，且樹根節(jié)點擁有所有的訓練數(shù)據(jù)，任一節(jié)點Ni，選擇數(shù)據(jù)的某一個屬性A，以A的不同值，把節(jié)點Ni擁有的數(shù)據(jù)Di劃分為全部沒有交集的集合，每個集合變成Ni的一個子節(jié)點，當某個節(jié)點的所有訓練數(shù)據(jù)都屬于同一個類時，該節(jié)點的劃分過程結(jié)束，生成葉節(jié)點只有一個屬性，它的父節(jié)點擁有的數(shù)據(jù)集所屬的類標號。

ID3算法：

決策樹的重點在于如何最有效的去劃分子節(jié)點，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)的不純性來描述數(shù)據(jù)分割的能力，“純”代表著分割之后的子集異類數(shù)目越少越好，因此衍生出了ID3算法，采取信息增益這個量來作為純度的度量，

算法流程：

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

2）計算熵不純度：對決策數(shù)的節(jié)點N定義熵不純度為i（N）=H（N）;

3）對于節(jié)點的不同取值，都進行子節(jié)點的信息增益計算：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前劃分屬性，之后再從第一步開始循環(huán)，直到葉子節(jié)點。

以信息的增益為例，我們一般會選取屬性相同多的屬性，這樣做的后果是會造成對取值數(shù)目的屬性和個數(shù)有所偏好，為了減少這種偏好取值所帶來的影響，我們可以采用C4.5算法來消除這種影響，使用屬性增益率來劃分最適合屬性，對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，它通過信息增益率的選擇分裂屬性可以解決ID3算法中通過信息增益傾向擁有多個屬性值的屬性進行分割的不足，同時也可以將連續(xù)性的屬性進行離散化的處理，屬性離散化處理流程：將屬性A的N個屬性按照一定的規(guī)則排序，然后將屬性A的所有量化屬性通過二分法劃分為兩個部分，可以計算出共有N-1種劃分的方法，劃分的值取相近的屬性取平均值，計算出每一種劃分方式的信息增益值，然后對比信息增益的結(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。也就是當前節(jié)點的劃分方式。

算法流程：

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

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

3）統(tǒng)計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)的方式作為對屬性A的劃分方式。

2.3決策樹算法優(yōu)化

為了提高決策樹的性能，避免決策樹的分支太多造成泛化的能力太差，可以在構(gòu)建決策樹時采用剪枝的方式：停止樹的構(gòu)建，不在分割某個節(jié)點，直接構(gòu)建葉子節(jié)點，葉節(jié)點的標號為父節(jié)點的占優(yōu)類或者類分布，比如設(shè)置信息增益的閾值，分割時不能超過閾值則分割停止?；蛘呶覀冊跇?gòu)建決策樹之后在進行剪枝。達到優(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，這里就不再細述。

伴隨著數(shù)據(jù)集的規(guī)模越來越大，可能會出現(xiàn)再一次內(nèi)存中無法存放所有的訓練集，這時我們可以采用隨機讀人數(shù)據(jù)放入內(nèi)存中進行訓練數(shù)據(jù)子集，在獲取的子集上構(gòu)造決策樹，同時可以重復采樣，獲取多棵決策樹，最后再用集成學習的方式綜合多棵決策樹的結(jié)果獲取最終的分割屬性。

3結(jié)束語

針對數(shù)據(jù)挖掘模型做出優(yōu)化，可以極大地改善數(shù)據(jù)提取的效率和精準度，對于大型企業(yè)的冗余信息提取具有重大的意義，同時由于BI系統(tǒng)依賴大數(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。