利用數據庫技術分析大數據技術原理？

數據挖掘中數據篩選的算法分析主要有以下幾種。

分類算法分析

分類數據挖掘就是找出常見事物的相同屬性，以及不同事物之間的差異。利用發現的相似或不同之處對事物進行分類。決策樹的優點是描述簡單，在數據量較大的情況下仍然可以快速的對數據進行分類。分類算法通常基于決策樹來實現。設置的分類類別都是用葉子節點表示的，中間節點用來表示事物的屬性。在構造決策樹的時候，決策樹不是完全不變的，而是不斷變化和完善的。通常，建立的決策樹會被實驗。如果決策樹對所有給定對象的分類結果可以不滿足預期要求，將通過添加一些特殊示例來改進。這個過程會在后續的實驗中繼續，直到決策樹能夠對給定的事物進行準確的分類，形成更完善的決策樹。

分類算法廣泛用于建立模型，并且經常用于信用和客戶類別分析模型。在郵件營銷中，可以利用這種分類算法對現有客戶的過往消費信息進行分析，得到購買力高的客戶特征列表，從而對這類客戶進行精準營銷，獲取更多客戶。在建立模型時，利用決策樹方法對前期信息進行分類，得到前期消費者的共同點，收集他們的共同特征，得到消費者的主要特征。最后得到一個可以判斷客戶的決策樹，這樣就可以判斷剩下的客戶，得到更有價值的潛在客戶列表。這種方法是在對現有信息進行分析和分類的基礎上，將現有信息分為不同的類別，使企業能夠更有針對性地為不同群體提供服務，從而提高企業決策的效率和準確性。

聚類算法分析

聚類算法的作用是將具有相同特征的事物進行分組，也叫分組分析。聚類算法可以用來粗略判斷對象被分成多少組，并提供每組數據的特征值。在聚類分析中，給定的例子可以分為不同的類別，同一類別中的例子是相關的，但它們之間并不相關。聚類算法的重要部分是分類步驟。在對給定的例子進行分類時，需要先選擇一個樣本作為樣本的中心，然后選擇中心距離，將小于中心距離的例子歸入一個集合，其余大于中心距離的例子歸入另一個集合。然后從剩余的樣本中選擇一個新的中心，重復上述步驟，不斷形成新的類別，直到所有樣本都包含在集合中。

從以上步驟可以看出，聚類算法在分類中的速度受給定中心距離的影響。如果給定的中心距離較小，類別會相對增加，從而降低分類速度。同樣，在聚類算法中，確定實例被劃分到的類別的數量也是非常重要的。如果分類很多，不僅會花費太多的分類時間，還會失去分類的意義。但是，沒有最佳方法來確定應該劃分多少個類別，只有可以通過估算來計算。聚類算法處理的數據在同一類中非常接近，在不同類中差異很大。在聚類算法中，數據之間的間隔通常用距離來表示，也就是說，數據之間的任何距離都可以通過函數轉換成實數。通常實數越大，距離越遠。

關聯算法分析

關聯算法用于表達兩個事物之間的關系或依賴關系。事物之間的關聯通常有兩種，一種叫相關，一種叫關聯。兩者都是用來表示事物的關聯性，但前者通常是用來表示互聯網內容和文檔的關聯性，后者通常是用來表示電子商務中各種網站的產品之間的關系，但兩者并無本質區別。由于關聯算法是用來表達兩個事物之間的關系或依賴關系的，所以需要對相關性進行定量的度量。這個概念叫做支撐，即一種商品出現時，另一種商品伴隨出現的概率。

關聯算法的數據挖掘通常分為兩步。第一步，找到集合中出現頻率高的項目組，作為整個記錄必須達到一定的級別。一般認為設置需要分析實體之間的支持。如果兩個實體之間的支持度大于設定值，則稱為高頻項目組。第二步，用第一步找到的高頻項目組來確定它們之間的關系，通常用它們之間的概率來表示。即計算A事件發生時B事件發生的概率，公式為(A和B同時發生的概率)/(A發生的概率)。只有當比率滿足既定的概率時，才能解釋這兩個事件有關聯。關聯分析可以從數據庫中找出現有數據之間隱藏的關系，從而利用這些數據獲取潛在的價值。