數(shù)據(jù)挖掘講座之一：我所知道的一點(diǎn)Data Mining

趙民德 2003/01/24

　　市場競爭的激烈迫使企業(yè)高層尋找更為科學(xué)、系統(tǒng)、有效的輔助決策技術(shù)和整體解決方案來處理日益復(fù)雜的公司事務(wù)。毫無疑問，數(shù)據(jù)挖掘就是很好的選擇之一。數(shù)據(jù)挖掘到底是什么？數(shù)據(jù)挖掘作為一個(gè)過程，是否有章可循、有規(guī)可依？企業(yè)應(yīng)該在哪些領(lǐng)域應(yīng)用數(shù)據(jù)挖掘技術(shù)？目前，數(shù)據(jù)挖掘的技術(shù)咨詢、系統(tǒng)集成、工具軟件的狀況究竟怎樣？新年伊始，我們和中國人民大學(xué)數(shù)據(jù)挖掘中心一起精心組織推出這個(gè)專題，希望通過這個(gè)專題向讀者傳遞實(shí)用的信息。

　　作者簡介

　　趙民德(Min-Te Chao) 教授，美國加州大學(xué)柏克萊分校統(tǒng)計(jì)博士(1967)，數(shù)據(jù)挖掘國際刊物JDSA執(zhí)行總編。主要研究方向：抽樣論、自動(dòng)重抽法、衰變量據(jù)的分析。

　　Data Mining（數(shù)據(jù)挖掘，下文簡稱DM），光是看它的數(shù)據(jù)量，絕對是一頭大象。各家各派對它的看法不同，因?yàn)楦魅嗣降氖亲约嚎梢悦降哪且徊糠�。我雖然知道，同時(shí)也極力呼吁DM應(yīng)以實(shí)用為主，但基本上還是學(xué)院派。通常，學(xué)院派的人認(rèn)為，如果一件事一定可以做成，那么也就不免無趣。
　　

數(shù)據(jù)挖掘的緣起

　　什么叫Data Mining？關(guān)于定義，各人的說法不一�；旧衔覀兛梢杂靡粋�(gè)例子講清楚：先給你一個(gè)大的數(shù)據(jù)集──假設(shè)你可以從中讀取數(shù)據(jù)，下面的問題是：從這里你可以得到什么？從某種角度來看，這是百分之百的統(tǒng)計(jì)分析工作，只是數(shù)據(jù)集太多的緣故罷了。但我們并不想忘記這些數(shù)據(jù)集是做 IT 的人這么多年來逐漸制造出來的，更何況他們對于如何有效而快速地存儲、選取和管理數(shù)據(jù)，確是有一套真功夫。在 IT 的骨架上把統(tǒng)計(jì)的精髓放進(jìn)去，這的確是對現(xiàn)在這個(gè)信息時(shí)代的大挑戰(zhàn)。

　　時(shí)代變了，現(xiàn)在的數(shù)據(jù)來得既多又快還便宜，多到?jīng)]有人有時(shí)間去看的程度。這就如同我們的醫(yī)療體系。早先的醫(yī)生還要望聞問切，在少量的數(shù)據(jù)中，設(shè)法提取、組合出最好的治療方案�，F(xiàn)在則是一個(gè)名醫(yī)，一上午要在門診醫(yī)治一百五十個(gè)病人以上。他只能憑某種算法、也就是經(jīng)驗(yàn)來看病：問一兩個(gè)問題，聽一兩個(gè)問題，然后開藥。這種對數(shù)據(jù)的不同的處理方式是數(shù)據(jù)挖掘和傳統(tǒng)的數(shù)據(jù)分析的主要區(qū)別。

　　說實(shí)在的，我們已經(jīng)在某些方面具有相當(dāng)?shù)男畔⒒潭攘�。你去任何一家醫(yī)院看病，哪一個(gè)窗口沒放著一臺PC？醫(yī)生暗示你可以離開的時(shí)候，值班的護(hù)士已經(jīng)在她的 PC 上鍵入了許多你的資料。于是你直接可以去劃價(jià)、取藥，連下一次的預(yù)約也有人安排好了。前天，我去醫(yī)院借了一張X光片，一位五十多歲的老職員用“一陽指”在鍵盤上一步一個(gè)“腳印”地敲了不知多久，才輸入了該有的個(gè)人信息，然后大家就都松一口似地讓計(jì)算機(jī)去跑，最后當(dāng)然是拿到X光片。這時(shí)回顧身后，已排了一條長龍。

　　這種情況，也暗示著目前信息社會(huì)的一類尷尬問題：很多事情都還配不上如此快的計(jì)算機(jī)—老職員的手指速度固然配不上，我們做統(tǒng)計(jì)的人和現(xiàn)有的某些統(tǒng)計(jì)方法也配不上，甚至于很多統(tǒng)計(jì)觀念恐怕也都配不上。于是 IT 的人就跳進(jìn)來做了個(gè)項(xiàng)目：既然有了花大錢做出來的數(shù)據(jù)庫，而且這么多年下來數(shù)據(jù)堆得滿坑滿谷，好歹要告訴出錢的老板“這有什么用”。于是，DM便應(yīng)運(yùn)而生了。

　　
如何看待數(shù)據(jù)挖掘

　　數(shù)據(jù)挖掘是先有了數(shù)據(jù)才興起的行業(yè)。我不想說“學(xué)問”，因?yàn)榈浆F(xiàn)在為止，我好像都看不到大學(xué)問。數(shù)據(jù)挖掘能幫我做什么？不同的人有不同的看法，比較樂觀的是Berry and Linoff (1997) 的說法：分析報(bào)告給你后見之明 (hindsight)；統(tǒng)計(jì)分析給你先機(jī) (foresight)；數(shù)據(jù)挖掘給你洞察力 (insight)。

　　這話說得太強(qiáng)，我不是那么地相信。因?yàn)檫@三者都是在既有的數(shù)據(jù)上做分析，在概念上應(yīng)該并無本質(zhì)區(qū)別，差別只是手上的數(shù)據(jù)集的大小和性質(zhì)，因此，由方法的不同才有定義的不同。

　　較負(fù)面的理解來自Friedman (1997)，他說：“Data mining is a commercial enterprise that seeks to mine the miners。（數(shù)據(jù)挖掘就是商業(yè)企業(yè)竭力去尋找挖掘者的過程。）”這句話有多少真實(shí)的成分，我并不清楚，但是酸味還是有一點(diǎn)的。在雅虎上鍵入“Data Mining”，立刻便找到一百五十多個(gè)網(wǎng)址。如果用Google 搜尋，它在0.34秒內(nèi)就找到1,260,000項(xiàng)查詢結(jié)果。這是在方法論都還沒有成熟之前便已有大量商品充斥的情形。看起來真是商機(jī)無限。在另一方面，我卻在文獻(xiàn)上讀到：“…… while I appreciate the importance of data mining, in practice the profit it brings has turned out to be surprisingly limited in many key businesses.（雖然我認(rèn)可數(shù)據(jù)挖掘重要性，事實(shí)上，在很多關(guān)鍵的業(yè)務(wù)中，它所帶來的利潤已證明出奇有限。” (Kann 2000)

　　多半的數(shù)據(jù)庫在建造時(shí)都另有目的，并不是設(shè)計(jì)來給大家挖掘的。上帝給我們大海，也許只是想給我們鹽�，F(xiàn)在鹽的利潤有限，大家就拼命去提煉鈾，結(jié)果自然就不會(huì)十分理想。

　　我認(rèn)為，比較中肯的是 Hand et al. (2000) 的說法：“Data mining is the process of seeking interesting or valuable information in large data bases.（數(shù)據(jù)挖掘是一種在大型數(shù)據(jù)庫中尋找你感興趣或是有價(jià)值信息的過程。）”

　　
挖掘需要“用心看”

　　Demming (1943) 曾說過：“搜集數(shù)據(jù)的目的是為了行動(dòng)�！边@是在數(shù)據(jù)的搜集并不便宜的時(shí)候所說的話。現(xiàn)在要反過來看：已經(jīng)有了一大堆數(shù)據(jù)，當(dāng)初只是為了搜集而搜集──因?yàn)榉凑毁F，而且說不定某一天會(huì)有用─現(xiàn)在我們應(yīng)該問，這些數(shù)據(jù)可以提供怎樣的信息，能讓數(shù)據(jù)的所有者采取何種有效的行動(dòng)？我的意思是我們需要用心地去看這些數(shù)據(jù)�！坝眯目础庇袃蓚�(gè)角度：整體和局部。

　　從整體看: 模型

　　從整體的角度來看一個(gè)數(shù)據(jù)集，是靠統(tǒng)計(jì)學(xué)里面的抽樣方法就可以發(fā)揮得不錯(cuò)的。抽樣的要點(diǎn)是細(xì)化──用一組較小的、容易處理的精選的數(shù)據(jù)來反映整體。在這里我們可以做一大堆傳統(tǒng)的建模工作，但這里面最主要的觀念是抽樣。

　　例如 SAS 的Enterprise Miner軟件中所構(gòu)建出來的“表格”，就是全部數(shù)據(jù)的抽樣所得。從抽樣的觀點(diǎn)來看，數(shù)據(jù)量再多也不是問題──它反而可使抽樣理論更加簡單。在數(shù)據(jù)庫上抽樣，成本低，且沒有我們最頭痛的non-response（無反應(yīng)）問題。這一部分，可以說是所有我們想做的理論和方法都十分成熟， 只要找一群還不錯(cuò)的人，將這些已知的事物組合包裝就好。在表格上做傳統(tǒng)分析，最后的結(jié)果當(dāng)然是一個(gè)可以用來描繪所有數(shù)據(jù)之間的關(guān)系的模型。

　　從局部看: 模式發(fā)現(xiàn)

　　從局部的角度來看數(shù)據(jù)挖掘，到目前為止，主要的目的是模式發(fā)現(xiàn)。這和我們常聽到的模式識別頗有不同。用雷達(dá)找飛機(jī)的工作，算是后者──我們知道飛機(jī)是我們要找的對象。但是在數(shù)據(jù)挖掘中，我們在通常情況下并不知道我們要找的東西是什么。在技術(shù)上，這也不能通過抽樣的方法來做。模式是數(shù)據(jù)的局部結(jié)構(gòu)，在這一部分，數(shù)據(jù)挖掘強(qiáng)調(diào)的方法是算法。數(shù)據(jù)一多，光憑人力是不能完全解決問題的，我們只有靠明確的指令讓計(jì)算機(jī)一個(gè)一個(gè)幫我們找。那么在這里，我們就完全用不上統(tǒng)計(jì)方法嗎？也不盡然。在提取訓(xùn)練樣本（training sample）的時(shí)候，我們是可以把實(shí)驗(yàn)設(shè)計(jì)的想法放進(jìn)去的。

中國計(jì)算機(jī)用戶-賽迪網(wǎng)