数据挖掘技术与其在生物信息学中的应用综述

《数据挖掘技术与其在生物信息学中的应用综述》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、数据挖掘技术与其在生物信息学中的应用综述姜浩娜杨芬刘晓摘要：本文提纲挈领的阐述了数据挖掘技术及研究热点，并重点阐述了数据挖掘技术在生物信息学中的应用。关键字：知识发现数据挖掘OLAP引言无论是商业企业、科研机构或者政府部门，在过去若干年的时间里都积累了海量的、以不同形式存储的数据资料。但当面对越来越多迅速膨胀的超级数据库时，人们却无从着手去理解数据中包含的信息，更难以获得有价值的知识！原有的决策支持系统（DSS）和领导执行系统（EIS）已不能满足需要。数据挖掘概念的提出，使人们有能力克服这些困难，去发掘出蕴藏在数据中的信息和知识。本文总结了目前学术界和工业界的认识和观点，并进行了比较和总

2、结。本文还就与数据挖掘有关的挖掘过程、数据挖掘在生物信息学中的应用等方面阐述了自己的观点。1.数据挖掘的概念本文从探寻知识发现（KnowledgeDiscoveryinDatabase）和数据挖掘的关系入手理解数据挖掘。数据挖掘与知识发现是存在交叉的两个概念。对这两个概念之间的关系，流行有两种观点：一种观点认为：数据挖掘与知识发现是等同的概念，只不过在不同的领域叫法不同而已。在科研领域，知识发现使用较多，在工程应用领域多称之为数据挖掘。另一种观点认为数据挖掘是知识发现的一个阶段，而且是核心阶段。该观点给出的定义是：知识发现，就是从大型数据库中的数据中提取人们感兴趣的知识。这些知识是隐含的

3、、事先未知的、潜在有用的信息。本文更倾向于第二种观点。本文从知识产生的过程这一角度看待知识发现和数据挖掘，得出以下结论：（1）知识发现是把低级别的数据转化为高级别数据的整个过程。所谓高级别数据，是具有特殊含义的数据。在工程应用中，根据不同的使用阶段和价值，又细分为信息和知识。信息可被理解为有特殊意义的数据；知识则表达为在特定应用领域，通过使用有价值的信息而在人脑中形成的、具有概括和总结特性的认识。知识可表示为概念（concepts），规则（rules），规律（regulations），模式（patterns）等形式。从知识发现的整个过程来看（图1），数据挖掘是知识发现实现从数据到信息和知

4、识转变的关键一步。数据挖掘是从大量数据中提取可信的、新颖的、有效的模式的高级处理过程。2）如果把知识发现理解为一个过程或系统，数据挖掘是这一过程或系统的一个可自动执行的工具。挖掘算法是数据挖掘重要的组成部分。为解决特定的商业问题，一种或多种算法需要被选择、编译，在适于挖掘的数据环境下实施挖掘任务。从图1看出，知识发现是需要人工参与的多环节的过程。除以上谈到的知识发现与数据挖掘的区别外，澄清存在于OLAP和数据挖掘之间认识上的混淆会有助于对数据挖掘的理解：GartnerGroup等组织把OLAP视为数据挖掘的一部分。数据挖掘包含数据描述和数据建模。OLAP系统可以提供数据仓库中数据的一般描

5、述。但更多的认识把OLAP和数据挖掘当作互不相交的两部分。OLAP是数据汇总/聚集工具，它帮助简化数据分析。OLAP的功能基本上是用户参与的汇总和比较（上钻、下钻、旋转、切片、和其他操作）；数据挖掘自动发现隐藏在大量数据中的模式等有价值的知识。图2从数据、信息和知识的角度形象地描述出OLAP和数据挖掘的逻辑关系。另一点，OLAP大多是限于数据仓库中的数据。数据挖掘既可以分析现存的、比数据仓库提供的汇总数据粒度更细的数据，也可以分析事务的、文本的、空间的和多媒体数据。2.数据挖掘分类和挖掘步骤2.1.数据挖掘分类数据挖掘涉及的学科领域和方法很多，有人工智能、数据统计、可视化、并行计算等。数

6、据挖掘有多种分类方法。2.1.1.根据挖掘任务可分为分类模型发现、聚类、关联规则发现、序列分析、偏差分析、数据可视化等。（1）分类（Classification）其旨在生成一个分类函数或分类模型，该模型能把数据库中的数据项映射到给定类别中的某一个。既可以用此模型分析已有的数据，也可以用它来预测未来的数据。（2）聚集（Clustering）聚集是对记录分组，把相似的记录在一个聚集里。聚集和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。（3）数据可视化（DescriptionandVisualization）数据可视化严格地讲不是一个单独的数据挖掘任务，它被用来支持其他挖掘任务。可视

7、化是采用图形、图表等易于理解的方式表达数据挖掘结果。（4）关联规则（Affinitygroupingorassociationrules）关联规则是寻找数据库中值的相关性，主要是寻找在同一个事件中出现的不同项的相关性，比如在一次购买活动中所买不同商品的相关性。（5）序列分析（SequenceAnalysis）序列模式分析同样也是试图找出数据之间的联系。但它的侧重点在于分析数据之间前后（因果）关系，因此对数据往往要求引入时间属性。序列