星型雪花模型实例：数据挖掘技术与应用

星型雪花型结构实例 Sales 事实表 | 字段 | 说明 ||---|---|| time_key | 时间维度外键 || item_key | 商品维度外键 || branch_key | 分支机构维度外键 || location_key | 地理位置维度外键 || units_sold | 销量 || dollars_sold | 销售额 || avg_sales | 平均销售额 | Shipping 事实表 | 字段 | 说明 ||---|---|| time_key | 时间维度外键 || item_key | 商品维度外键 || shipper_key | 承运商维度外键 || from_location | 始发地 || to_location | 目的地 || dollars_cost | 运输成本 || units_shipped | 运输量 | 时间维度表 | 字段 | 说明 ||---|---|| time_key | 时间主键 || day_of_the_week | 星期几 || month | 月份 || quarter | 季度 || year | 年份 | 地理位置维度表 | 字段 | 说明 ||---|---|| location_key | 地理位置主键 || street | 街道 || city | 城市 || province_or_street | 省或州 || country | 国家 | 商品维度表 | 字段 | 说明 ||---|---|| item_key | 商品主键 || item_name | 商品名称 || brand | 品牌 || type | 类型 || supplier_type | 供应商类型 | 分支机构维度表 | 字段 | 说明 ||---|---|| branch_key | 分支机构主键 || branch_name | 分支机构名称 || branch_type | 分支机构类型 | 承运商维度表 | 字段 | 说明 ||---|---|| shipper_key | 承运商主键 || shipper_name | 承运商名称 || location_key | 承运商地理位置外键 || shipper_type | 承运商类型 |

在数据仓库与数据挖掘领域，星型结构的实例展示了Sales Fact Table中的time_key、item_key、branch_key、location_key、units_sold、dollars_sold以及avg_sales等指标。时间维度包括time_key、day_of_the_week、month、quarter和year；地理位置维度则包括location_key、street、city、province_or_state和country；商品维度包括item_key、item_name、brand、type和supplier_type；最后，分支机构维度涵盖了branch_key、branch_name和branch_type。

客户基本信息的星型结构图包括客户信息事实表和多维度维度表，涵盖了客户ID、性别、年龄层次、VIP状态、支付类型、在网时间层次、地理信息、支付层次、流失概率、信用层次、挽留价值和客户价值等详细资料。

当一个或多个维度表不直接连接到事实表，而是通过其他维度表间接连接到事实表时，形成的结构类似于多个雪花连接在一起，因此被称为雪花模型。雪花模型是星型模型的扩展，它将星型模型中的维度表进一步层次化。原有的维度表可能会被扩展为小型的事实表，形成局部的“层次”区域，这些被分解的表都连接到主维度表而不是事实表。

什么是关联挖掘？ 关联规则挖掘是一种通过分析交易数据、关系数据或其他信息源，发现项目集合或对象集合之间频繁模式、关联关系、相关性或因果结构的技术。应用领域包括购物篮分析、交叉销售、产品目录设计、loss-leader分析、聚集、分类等。 实例规则格式为：“Body ® Head [support, confidence]”，例如： buys(x, “diapers”) ® buys(x, “beers”) [0.5%, 60%]，意指购买尿布与啤酒的关联规则。此外，还有类似“major(x, “CS”) ^ takes(x, “DB”) ® grade(x, “A”) [1%, 75%]”的规则，用于分析特定学科成绩的关系。

雪花结构的实例，销售事实表时间键、商品键、分支机构键、位置键、销售单位、销售额、平均销售额等度量指标，时间键按星期、月份、季度、年度进行分类，位置键按街道、城市键、地点进行分类，商品键按商品名称、品牌、类型、供应商键进行分类，分支机构键按分支机构名称、分支类型、分支机构供应商键进行分类，位置按城市键、省份/街道、国家和城市进行分类。

这是数据挖掘领域的经典作品，涵盖了定义、模型和技术等关键内容。

分类的实现 构建模型：1. 预设分类类别：在开始之前需要设定分类的类别，以便后续数据标记。2. 类别标记：为每个样本进行类别标记，形成训练集。3. 分类模型训练：通过训练集生成分类模型，该模型可以表现为分类规则、决策树或数学公式。 使用模型：- 利用构建的模型来识别未知对象的所属类别，预测对象的类别归属。 模型正确性评价：- 测试集与训练集分离：为避免过拟合现象，将测试集与训练集严格分离。- 正确率：通过已标记分类的测试样本与模型的实际分类结果对比，计算正确率，即正确分类样本数与测试样本总数的百分比。

电视在美国的年销售总额日期t产品t国家t和t电视t录像机t电脑1季度t2季度t3季度t4季度美国t加拿大t墨西哥和