資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝設計
法律研究線上分析挖掘的結構是什麼？
OLAM 伺服器在資料立方體中執行分析挖掘，類似於 OLAP 伺服器執行聯機分析處理。一個整合的 OLAM 和 OLAP 機制，其中 OLAM 和 OLAP 伺服器都透過圖形使用者介面 API 接受使用者聯機查詢（或命令），並透過立方體 API 在資料分析中操作資料立方體。
元資料目錄可用於指示資料立方體的訪問。資料立方體可以透過 MDDB API 訪問和整合多個數據庫以及透過可以提供 OLE DB 或 ODBC 連線的資料庫 API 過濾資料倉庫來建立。
因為 OLAM 伺服器可以實現多個數據挖掘任務，包括概念描述、關聯、分類、預測、聚類、時間序列分析等。它通常包括多個整合的資料探勘模組，並且比 OLAP 伺服器更復雜。
OLAM 引擎可以執行多個數據挖掘任務，例如概念描述、關聯、分類、預測、聚類和時間序列分析。因此，它通常由多個整合的資料探勘模組組成，使其比 OLAP 引擎更復雜。OLAP 和 OLAM 所需的資料立方體之間沒有根本區別，儘管 OLAM 分析可能需要更強大的資料立方體構建和訪問工具。
當 OLAM 涉及更多具有更細粒度的維度或涉及對資料立方體上的多特徵聚合的發現驅動探索時，情況就是這樣，從而需要比 OLAP 分析更多的維度。此外，當探索性資料探勘識別出有趣的點時，OLAM 引擎可能需要從資料立方體深入到相應的關係資料庫中，以對資料的特定部分進行詳細分析。
當 OLAM 涉及更多具有更細粒度的維度或涉及對資料立方體上的多特徵聚合的發現驅動探索時，情況就是這樣，從而需要比 OLAP 分析更多的維度。此外，當探索性資料探勘識別出有趣的點時，OLAM 引擎可能需要從資料立方體深入到相應的關係資料庫中，以對資料的特定部分進行詳細分析。
此外，資料探勘過程可能會揭示構建的立方體的維度或度量不適合資料分析。在這裡，改進的資料立方體設計可以提高資料倉庫構建的質量。
有效的資料探勘需要探索性資料分析。使用者通常希望遍歷資料庫，選擇相關資料的某些部分，以不同的粒度對其進行分析，並以不同的形式呈現知識/結果。
線上分析挖掘提供了對資料不同子集和不同抽象級別的資料探勘功能。它可以透過對資料立方體和中間資料探勘結果進行鑽取、透視、過濾、切塊和切片來實現這一點。這與資料/知識視覺化工具一起，可以極大地提高探索性資料探勘的能力和適應性。
522 次瀏覽
