今儿看到 Ajay Ohri 那儿推荐了多伦多大学 S. Sayad 教授的关于数据挖掘的一个在线介绍。这个介绍包含了完整的数据挖掘过程，以及数据挖掘技术的分类，并且每一项都可以通过超链接到相应的分支。让人爱不释手，大赞之！

S. Sayad 教授在数据挖掘过程定义上同从比较流行的 CRISP-DM（Cross Industry Standard Process for Data Mining）有些区别：

1. Problem Definition
2. Data Preparaion
3. Data Exploration
4. Modelling
5. Evaluation
6. Deployment

(但个人认为这两种说法其实没有脱离问题的本质，是一致的)。

而重头戏则是关于数据挖掘（统计分析）技术的两大领域

• 描述
• 推断

挖掘（分析）技术的对应关系（超链接的脑图？），

首先是——描述：

然后是——推断：

最后是 S. Sayad 教授的数据挖掘在线 intro，请猛击之！

再补一句：关于数据挖掘软件的介绍，没有 R，抱怨一下～～

附1：

标准的“商业”数据挖掘过程：

1. Business Understanding
2. Data Understanding
3. Data Preparaion
4. Modelling
5. Evaluating
6. Deployment

固定链接：http://www.bjt.name/2010/12/toronto-data-mining-intro/‎

相关文章：

• Oracle数据库开始支持R语言
• 从一等奖出现的概率看中国福利彩票的公正性
• 关于在hoopchina上发帖的回答

据Oracle官方博客 最近更新的 New R Interface to Oracle Data Mining Available for Download，甲骨文开始正式支持R语言在Oracle数据库中的应用（简单的非官方说法是：甲骨文贡献了一个提供Oracle和R之间接口的附加包）。

援引博客中对R-ODM(R-Oracle Data Mining)的介绍：

R-ODM is especially useful for:

• Quick prototyping of vertical or domain-based applications where the Oracle Database supports the application
• Scripting of “production” data mining methodologies
• Customizing graphics of ODM data mining results (examples: classification, regression, anomaly detection)

众所周知，R在实现原型算法方面有着不可替代的巨大优势。诚然，通过R实现的一般性数据挖掘算法都可以嵌入到数据库中，但Oracle提供的这个接口，极大地提高了挖掘算法的部署效率。

今天（2010.06.08），CRAN上更新了RODM包的1.0-2版本，支持Windows、Linux、MacOS X系统。

下面是RODM包帮助文档中的一个例子，可以初步地体会算法高效的部署：

### GLM Regression
## Not run:
x1 <- 2 * runif(200)
noise <- 3 * runif(200) - 1.5
y1 <- 2 + 2*x1 + x1*x1 + noise
dataset <- data.frame(x1, y1)
names(dataset) <- c("X1", "Y1")
RODM_create_dbms_table(DB, "dataset")   # Push the training table to the database

glm <- RODM_create_glm_model(database = DB,    # Create ODM GLM model
                             data_table_name = "dataset",
                             target_column_name = "Y1",
                             mining_function = "regression")

glm2 <- RODM_apply_model(database = DB,    # Predict training data
                             data_table_name = "dataset",
                             model_name = "GLM_MODEL",
                             supplemental_cols = "X1")
windows(height=8, width=12)
plot(x1, y1, pch=20, col="blue")
points(x=glm2$model.apply.results[, "X1"],
       glm2$model.apply.results[, "PREDICTION"], pch=20, col="red")
legend(0.5, 9, legend = c("actual", "GLM regression"), pch = c(20, 20),
                col = c("blue", "red"),
                pt.bg =  c("blue", "red"), cex = 1.20, pt.cex=1.5, bty="n")

RODM_drop_model(DB, "GLM_MODEL")            # Drop the model
RODM_drop_dbms_table(DB, "dataset")   # Drop the database table
RODM_close_dbms_connection(DB)
RODM_close_dbms_connection(DB)

说一句题外话：
R的影响力除了在统计分析领域（SAS、SPSS、Statistica已经都开始支持R接口）外，已然发展到了商业数据库领域。

永久链接：http://www.bjt.name/2010/06/oracle-data-mining-r/

相关文章：

• 数据挖掘之R与SQL
• KDnuggets 关于数据挖掘软件的调查
• 史上最强悍的数据挖掘介绍

现在每一期的福彩双色球销售额大概是2亿左右（已持续很长时间），每注双色球为2元，就是说每期双色球的销售大概会有1亿人次参与。

在随机选择，且每次抽取都是等概率的的假定条件下，理论的重复彩票注数的分布（0注至41注）如下：

一等奖是完全随机出现的，那么在假设条件下，一等奖同时出现五注的概率最高，六注、四注其次，再次为七注、三注，类推……当然理论上，没有中奖（0注）和中12注以上的概率相比其他情形低了很多。

那么我们再看一看福利彩票双色球每期中一等奖（2008年1月1日至2009年7月23日）的实际分布情况：

有童鞋看出端倪了：实际数据的分布同理论上的分布是不一致的！理论上的一等奖出现概率最大在出现五注的位置，而实际上一等奖出现的最大概率出现在了两注的位置。

为什么会出现这样的情况？主要是因为我们最开始的假设是有问题。

双色球每期销售会有1亿人次的彩民参与？不可能！双色球的覆盖度没有那么大。

一些彩民为了提高中奖概率（或者说迷信一些选号方法），会采用”复式”、”胆拖”、”倍投”等方式投注，当然大部分彩民还是会老老实实的买一注。综合考虑到这些因素以后，凭经验估计样本量应该为现在的一半左右，即5000万。这样看来较为合理的一等奖中奖概率理论上分布为：

此时理论分布同实际分布已经非常相似。

实际双色球一等奖分布的右边尾巴上恰恰显示了”复式”、”胆拖”、”倍投”的投注效果。

再插一句：

深圳福彩3000万大奖诈骗犯身份曝光一文中提到：

警方调查发现，程某先是编写了一个可以自动运行的木马软件，然后利用与福彩中心合作的机会，进入福彩中心机房，植入自动运行的木马程序。一旦摇奖结果出来，这个程序会自动将程某所购买的彩票修改成一等奖的号码。

这里可以推测程某天真地以为满足兑大奖的条件为：

1. 数据库里的数据正确；
2. 实体彩票存在。

恩，没有问题！但，这两个条件可是通过很多很多很多的手段来监管的。

相关文章：

• 史上最强悍的数据挖掘介绍
• Oracle数据库开始支持R语言
• 提高双色球中奖概率