数据挖掘技术在智能决策支持系统中的应用.pdf

数据挖掘是一种从大量数据中通过算法搜索隐藏信息的过程。它融合了统计学、数据库技术和人工智能技术，是信息技术领域的核心技术之一。在智能决策支持系统（IDSS）和三维智能化的决策支持系统（I3DSS）中，数据挖掘技术扮演着核心角色，它为智能决策提供了自动化的知识发现手段，从而极大地增强了DSS的智能化水平。 决策支持系统（DSS）的概念最早由美国麻省理工学院的专家Michael S. Scott Morton和Peter G. W. Keen在20世纪70年代提出。DSS是针对传统管理信息系统（MIS）的局限性而创建的，它不仅仅聚焦于数据管理和数据模型的计算，而是将决策、支持和系统有机融合，通过计算机技术提供量化指标和系统化模型工具，为结构化和半结构化的决策提供支持，并扩展到非结构化的决策问题。 数据挖掘的常用方法包括聚类分析和关联挖掘等。聚类分析是将目标数据集进行分类或分组，使得在同一组或类中的数据之间具有较高的相似度，而在不同组或类之间的数据相似度较低。聚类分析在数据预处理、模式识别、图像分析等领域有着广泛的应用。 关联挖掘是一种在大型数据库中发现不同项之间的有趣关系（如频繁模式、关联规则、相关性或结构中的依赖性）的方法。它在市场篮分析、推荐系统、生物信息学等领域具有重要作用。 IDSS和I3DSS是DSS的进一步演进。IDSS是由美国学者Hill提出的，它在传统的DSS基础上引入人工智能系统（AI），特别是模糊识别和自然语言的应用，这极大地提升了DSS的易用性和智能化水平。在IDSS／I3DSS构架下，系统内部可以自动发现和获取知识，联机分析处理（OLAP）功能的引入进一步增强了用户对数据的分析处理能力，通过海量数据产生新的知识和模型，使得传统DSS的智能化水平得到了显著提升。 I3DSS是三维智能化的决策支持系统，它与IDSS相比，在智能化的基础上增加了交互性和综合性的特点，使得决策支持系统不仅智能，而且更加互动和综合。 在智能决策支持系统中，数据挖掘技术的应用不仅限于上述介绍的聚类分析和关联挖掘。实际上，还有很多其他的数据挖掘技术，如分类、回归、时间序列分析、文本挖掘、Web挖掘和社交媒体挖掘等，都广泛应用于智能决策支持系统中，帮助企业和组织在复杂多变的商业环境中作出更加精准和及时的决策。 在数据挖掘的过程中，数据清洗、数据集成、数据变换和数据规约等数据预处理技术也扮演着重要角色。数据预处理技术可以帮助改善数据质量，提高数据挖掘模型的准确性和效率。 总体而言，数据挖掘技术的应用使得智能决策支持系统更加智能化、互动化和综合化，成为支持现代企业决策的重要工具。随着技术的不断进步和数据量的不断增加，数据挖掘在智能决策支持系统中的作用将更加凸显，为各行业的决策提供更加科学、高效和精准的支持。