多維數據分析神經網路

Ⅰ 數據倉庫常用的多維數據模型有那幾種它們各自有什麼特點

行業標准為星型模型
按客戶化可成為雪花型模型

數據按用戶視角分為事實和維度

比如銷售領域內

銷售數據容就是事實 會有一張行數巨大的銷售事實表

而客戶需要的分析關注角度就為維度

比如地區維度表，時間維度表，客戶維度表，產品維度表等

事實表和維度表呈標準星型關聯
事實表在中間 維度表在周圍環繞

維度表可按各屬性變化快慢客戶化拆分成雪花型

你可以去了解下數據倉庫之父所定義的匯流排結構
可以很好的搭建各個數據集市，進行平行的擴展

Ⅱ 什麼叫數據挖掘、神經網路

數據挖掘是從大量的數據中，抽取出潛在的、有價值的知識（模型或規則）的過程。
1. 數據挖掘能做什麼？
1)數據挖掘能做以下六種不同事情（分析方法）：
分類 （Classification）
估值（Estimation）
預言（Prediction）
相關性分組或關聯規則（Affinity grouping or association rules）
聚集（Clustering）
描述和可視化（Des cription and Visualization）
2)數據挖掘分類
以上六種數據挖掘的分析方法可以分為兩類：直接數據挖掘；間接數據挖掘
直接數據挖掘
目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變數（可以
理解成資料庫中表的屬性，即列）進行描述。
間接數據挖掘
目標中沒有選出某一具體的變數，用模型進行描述；而是在所有的變數中建立起某種關系
。
分類、估值、預言屬於直接數據挖掘；後三種屬於間接數據挖掘
3)各種分析方法的簡介
分類 （Classification）
首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分
類模型，對於沒有分類的數據進行分類。
例子：
a. 信用卡申請者，分類為低、中、高風險
b. 分配客戶到預先定義的客戶分片
注意： 類的個數是確定的，預先定義好的
估值（Estimation）
估值與分類類似，不同之處在於，分類描述的是離散型變數的輸出，而估值處理連續值的
輸出；分類的類別是確定數目的，估值的量是不確定的。
例子：
a. 根據購買模式，估計一個家庭的孩子個數
b. 根據購買模式，估計一個家庭的收入
c. 估計real estate的價值
一般來說，估值可以作為分類的前一步工作。給定一些輸入數據，通過估值，得到未知的
連續變數的值，然後，根據預先設定的閾值，進行分類。例如：銀行對家庭貸款業務，運
用估值，給各個客戶記分（Score 0~1）。然後，根據閾值，將貸款級別分類。
預言（Prediction）
通常，預言是通過分類或估值起作用的，也就是說，通過分類或估值得出模型，該模型用
於對未知變數的預言。從這種意義上說，預言其實沒有必要分為一個單獨的類。
預言其目的是對未來未知變數的預測，這種預測是需要時間來驗證的，即必須經過一定時
間後，才知道預言准確性是多少。
相關性分組或關聯規則（Affinity grouping or association rules）
決定哪些事情將一起發生。
例子：
a. 超市中客戶在購買A的同時，經常會購買B，即A => B(關聯規則)
b. 客戶在購買A後，隔一段時間，會購買B （序列分析）
聚集（Clustering）
聚集是對記錄分組，把相似的記錄在一個聚集里。聚集和分類的區別是聚集不依賴於預先
定義好的類，不需要訓練集。
例子：
a. 一些特定症狀的聚集可能預示了一個特定的疾病
b. 租VCD類型不相似的客戶聚集，可能暗示成員屬於不同的亞文化群
聚集通常作為數據挖掘的第一步。例如，"哪一種類的促銷對客戶響應最好？"，對於這一類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集里，然後對每個不同的聚集，回答問題，可能效果更好。
描述和可視化（Des cription and Visualization）
是對數據挖掘結果的表示方式。
2.數據挖掘的商業背景
數據挖掘首先是需要商業環境中收集了大量的數據，然後要求挖掘的知識是有價值的。有
價值對商業而言，不外乎三種情況：降低開銷；提高收入；增加股票價格。
1)數據挖掘作為研究工具 （Research）
2)數據挖掘提高過程式控制制（Process Improvement）
3)數據挖掘作為市場營銷工具（Marketing）
4)數據挖掘作為客戶關系管理CRM工具(Customer Relationship Management)
3.數據挖掘的技術背景
1)數據挖掘技術包括三個主要部分：演算法和技術；數據；建模能力
2)數據挖掘和機器學習（Machine Learning）
機器學習是計算機科學和人工智慧AI發展的產物
機器學習分為兩種學習方式：自組織學習（如神經網路）；從例子中歸納出規則（如決策樹）
數據挖掘由來
數據挖掘是八十年代，投資AI研究項目失敗後，AI轉入實際應用時提出的。它是一個新興
的，面向商業應用的AI研究。選擇數據挖掘這一術語，表明了與統計、精算、長期從事預
言模型的經濟學家之間沒有技術的重疊。
3)數據挖掘和統計
統計也開始支持數據挖掘。統計本包括預言演算法（回歸）、抽樣、基於經驗的設計等
4)數據挖掘和決策支持系統
數據倉庫
OLAP（聯機分析處理）、Data Mart（數據集市）、多維資料庫
決策支持工具融合
將數據倉庫、OLAP，數據挖掘融合在一起，構成企業決策分析環境。
4. 數據挖掘的社會背景
數據挖掘與個人預言：數據挖掘號稱能通過歷史數據的分析，預測客戶的行為，而事實上，客戶自己可能都不明確自己下一步要作什麼。所以，數據挖掘的結果，沒有人們想像中神秘，它不可能是完全正確的。
5．數據挖掘技術實現
在技術上可以根據它的工作過程分為：數據的抽取、數據的存儲和管理、數據的展現等關鍵技術。
1) 數據的抽取
數據的抽取是數據進入倉庫的入口。由於數據倉庫是一個獨立的數據環境，它需要通過抽取過程將數據從聯機事務處理系統、外部數據源、離線的數據存儲介質中導入數據倉庫。數據抽取在技術上主要涉及互連、復制、增量、轉換、調度和監控等幾個方面的處理。在數據抽取方面，未來的技術發展將集中在系統功能集成化方面，以適應數據倉庫本身或數據源的變化，使系統更便於管理和維護。
2) 數據的存儲和管理
數據倉庫的組織管理方式決定了它有別於傳統資料庫的特性，也決定了其對外部數據的表現形式。數據倉庫管理所涉及的數據量比傳統事務處理大得多，且隨時間的推移而快速累積。在數據倉庫的數據存儲和管理中需要解決的是如何管理大量的數據、如何並行處理大量的數據、如何優化查詢等。目前，許多資料庫廠家提供的技術解決方案是擴展關系型資料庫的功能，將普通關系資料庫改造成適合擔當數據倉庫的伺服器。
3) 數據的展現
在數據展現方面主要的方式有：
查詢：實現預定義查詢、動態查詢、OLAP查詢與決策支持智能查詢；報表：產生關系數據表格、復雜表格、OLAP表格、報告以及各種綜合報表；可視化：用易於理解的點線圖、直方圖、餅圖、網狀圖、互動式可視化、動態模擬、計算機動畫技術表現復雜數據及其相互關系；統計：進行平均值、最大值、最小值、期望、方差、匯總、排序等各種統計分析；挖掘：利用數據挖掘等方法，從數據中得到關於數據關系和模式的知識。
6.數據挖掘與數據倉庫融合發展
數據挖掘和數據倉庫的協同工作，一方面，可以迎合和簡化數據挖掘過程中的重要步驟，提高數據挖掘的效率和能力，確保數據挖掘中數據來源的廣泛性和完整性。另一方面，數據挖掘技術已經成為數據倉庫應用中極為重要和相對獨立的方面和工具。
數據挖掘和數據倉庫是融合與互動發展的，其學術研究價值和應用研究前景將是令人振奮的。它是數據挖掘專家、數據倉庫技術人員和行業專家共同努力的成果，更是廣大渴望從資料庫「奴隸」到資料庫「主人」轉變的企業最終用戶的通途。

Ⅲ 基於關系資料庫的多維數據模型和數據倉庫的多維數據模型兩者到底有什麼區別

數據倉庫是比資料庫更大的一個概念，數據倉庫的多維數據模型也可以是基於關系資料庫的，其他形式的我還不知道。要說區別，應該是數據倉庫的數據更全更廣吧。

Ⅳ 神經網路可以將多維數據降成一維嗎

這需要抄看你的實際需求了，一般使用二襲次型就行，這樣的話輸入節點1000！個，維度這么大我想應該有很大數據是冗餘的，可以先用PCA降低下維度1000維度（通道）有點誇張，還是說只是單維度下，有連續1000個輸入作為一組樣本

Ⅳ B站怎麼進行UP主多維數據分析

這個最好是使用第三方數據分析平台，我之前朋友推薦了火燒雲數據，B站權威的大數據分析工具

Ⅵ 多維數據分析的內容簡介

本實驗教程主要針對高等學校信息管理與信息系統專業和計算機專業的內數據倉庫課程容的實驗教學而編寫。全書以數據倉庫和OLAP（聯機分析處理）理論為基礎，以SQLServer2000AnalysisServices為實驗工具，以一個人壽保險公司的數據倉庫系統為背景，通過一個完整的案例，系統全面地介紹了數據倉庫系統的分析、設計、實施、管理與維護的過程。

Ⅶ 什麼叫做多維數據分析

OLAP分析要滿足以下四種特性：

(1)快速性
用戶對OLAP的快速反應能力有很高的要求。系統應能在5秒內對用戶的大部分分析要求做出反應。如果終端用戶在30秒內沒有得到系統響應就會變得不耐煩,因而可能失去分析主線索,影響分析質量。對於大量的數據分析要達到這個速度並不容,因此就更需要一些技術上的支持,如專門的數據存儲格式、大量的事先運算、特別的硬體設計等。
(2)可分析性
OLAP系統應能處理與應用有關的任何邏輯分析和統計分析。盡管系統需要事先編程 ,但並不意味著系統已定義好了所有的應用。用戶無需編程就可以定義新的專門計算,將其作為分析的一部分,並以用戶理想的方式給出報告。用戶可以在OLAP平台上進行數據分析,也可以連接到其他外部分析工具上,如時間序列分析工具、成本分配工具、意外報警、數據開采等。
(3)多維性
多維性是OLAP的關鍵屬性。系統必須提供對數據分析的多維視圖和分析,包括對層次維和多重層次維的完全支持。事實上,多維分析是分析企業數據最有效的方法,是OLAP的靈魂。
(4)信息性
不論數據量有多大,也不管數據存儲在何處,OLAP系統應能及時獲得信息,並且管理大容量信息。這里有許多因素需要考慮,如數據的可復制性、可利用的磁碟空間、OLAP產品的性能及與數據倉庫的結合度等。
目前帆軟公司的FineBI支持多種數據源，支持olap分析功能，很適合進行數據分析和展示。

Ⅷ 哪有多維輸入多維輸出的RBF神經網路的例子，不使用工具箱

既然用matlab的話rbf神經網路不需要自己寫代碼,matlab有提供的RBF工具箱.
訓練命令主要有兩個內,一個是固定隱容含層節點數的指令newrbe,一個是變隱含層節點數的指令newrb.預測輸出指令和其他神經網路一樣,是sim.
常用指令輸出格式是net = newrbe(P,T,spread);net = newrb(P,T,goal,spread,MN,DF); X = sim(net,xn_test).參數具體格式參看help newrbe;help newrb以及help sim,參數物理意義參看相關理論,不再贅述了.
因為一般不存在局部最小問題,所以不需要使用結構體編輯指令設置初值,如果需要中間過程的原始數據,可以在訓練結構體中找到(即為net參數,存儲格式為結構體),結構體內部數據的物理意義,參看help help關於rbf神經網路結構體的介紹.

Ⅸ 數據挖掘每個樣本是多維的怎麼處理

可以把三個時間的特徵（即3*n個特徵）拉成一個一維向量 這樣樣本變成m*(3*n)矩陣
也可以將三專個時間的屬特徵取平均值 即變成m*n矩陣

也可以這樣 因為涉及了時間維度 可以考慮循環神經網路 將時間信息利用起來

Ⅹ 多維數據的聚類分析有哪些演算法

聚類分析指的是將物理或抽象對象的集合分組為由類似的對象組成的多個類的分析過程。它是一種重要的人類行為。聚類分析的目標就是在相似的基礎上收集數據來分類。聚類源於很多領域，包括數學，計算機，統計學，生物學和經濟學。在不同的應用領域，很多聚類技術都得到了發展，這些技術方法被用作描述數據，衡量不同數據源間的相似性，以及把數據源分類到不同的簇中。