数据库冷热算法有哪些类型，算法的种类有哪些哪些是最常用的

来源：整理时间：2024-12-17 21:11:37 编辑：黑码技术手机版

1，算法的种类有哪些哪些是最常用的

不明白啊 = =！

DP。图论。数论。组合数学。计算几何，等等

算法的种类有哪些哪些是最常用的

2，常用的数据压缩算法有哪些

基本的分为两大类：有损和无损。有损压缩：主要是一些量化算法，比如a率，u率，lloyds最优量化。无损压缩：主要是一些编码算法，比如子带编码，差分编码，哈夫曼编码等。另外时频变换虽然没压缩效果，但是是很好的压缩工具，比如fft，dct等。最后就是压缩感知稀疏重建等。

囧rz、我也是上网来找答案的后来在《多媒体技术应用教程》内书的第96页第二自然段找到了。数据冗余类型和数据压缩算法是对应的。一般根据不同的冗余类型采用不同的编码形式，随后是采用特定的技术手段和软硬件，以实现数据压缩。然后你自己结合上下文什么的总结一下就o了，你懂得。举例什么的请瞎编。

常用的数据压缩算法有哪些

3，请问数据库都有哪些类型分别是什么

多着啦模糊数据库指能够处理模糊数据的数据库。一般的数据库都是以二直逻辑和精确的数据工具为基础的，不能表示许多模糊不清的事情。随着模糊数学理论体系的建立，人们可以用数量来描述模糊事件并能进行模糊运算。这样就可以把不完全性、不确定性、模糊性引入数据库系统中，从而形成模糊数据库。模糊数据库研究主要有两方面，首先是如何在数据库中存放模糊数据；其次是定义各种运算建立模糊数据上的函数。模糊数的表示主要有模糊区间数、模糊中心数、模糊集合数和隶属函数等。统计数据库管理统计数据的数据库系统。这类数据库包含有大量的数据记录，但其目的是向用户提供各种统计汇总信息，而不是提供单个记录的信息。网状数据库处理以记录类型为结点的网状数据模型的数据库。处理方法是将网状结构分解成若干棵二级树结构，称为系。系类型是二个或二个以上的记录类型之间联系的一种描述。在一个系类型中，有一个记录类型处于主导地位，称为系主记录类型，其它称为成员记录类型。系主和成员之间的联系是一对多的联系。网状数据库的代表是dbtg系统。1969年美国的codasyl组织提出了一份“dbtg报告”，以后，根据dbtg报告实现的系统一般称为dbtg系统。现有的网状数据库系统大都是采用dbtg方案的。dbtg系统是典型的三级结构体系：子模式、模式、存储模式。相应的数据定义语言分别称为子模式定义语言ssddl，模式定义语言sddl，设备介质控制语言dmcl。另外还有数据操纵语言dml。算逻辑规则推理。具体为：递归查询的优化、规则的一致性维护

就目前来讲数据库按其结构来讲，可分为三类：1、层次型2、网状型3、关系型目前大多数集成开发环境（包括语言）都可以用来处理数据库，可以说不胜枚举。就关系型DBMS来说，我认为:中小型的代表有Access、FoxBASE中型的代表有VFP、dBASE、PB大型的代表有oracle、SQL就你说想学什么来着，肯定会大越有前途和难度。现在市面上对数据库要求最高还是数oracle ,目前DBA,在数据库方面薪资各个方面都是比较高的，讲到oracle学习就不能不说它的认证包括oca,ocp,ocm了。主要从事oracle方面都会去考这样认证。oca含金量比较低所以不介意考这个，与其还不如直接考ocp,ocp难道相对比较大一点，不过只要参加一个由oracle授权的培训机构学习基本过没什么问题。

请问数据库都有哪些类型分别是什么

4，数据库的类型

ASP数据库类型DBFDBCMDBExcelSQLServer数据库是在计算机存储设备上按一定方式，合理组织并存储的相互有关联的数据的集合，是计算机技术和信息检索技术相结合的产物，是电子信息资源的主体，是信息检索系统的核心部分之一。按所提供的信息内容，数据库主要可分为参考数据库和源数据库。1．参考数据库主要存储一系列描述性信息内容，指引用户到另一信息源以获得完整的原始信息的一类数据库，主要包括书目数据库和指南数据库。（1）书目数据库存储描述如目录、题录、文摘等书目线索的数据库，又称二次文献信息数据库。如各种图书馆目录数据库、题录数据库和文摘数据库等属于此类，它的作用是为用户指出了获取原始信息的线索。图书馆目录数据库，又称机读目录，其数据内容详细，除描述标题、作者、出版项等书目信息外，还提供用户索取原始信息的馆藏信息。题录、文摘数据库描述的数据内容与印刷型的题录、文摘相似，它提供了论文信息或专利信息等确定的信息来源，供用户检索。（2）指南数据库存储描述关于机构、人物、产品、活动等对象的数据库。与其它数据库相比，指南数据库为用户提供的不仅仅是有关信息，还包括各种类型的实体，多采用名称进行检索。如存储生产与经营活动信息的机构名录数据库、存储人物信息的人物传记数据库、存储产品或商品信息的产品指南数据库、存储基金信息的基金数据库等属于此类，它的作用指引用户从其它有关信息源获取更详细的信息。2．源数据库主要存储全文、数值、结构式等信息，能直接提供原始信息或具体数据，用户不必再转查其它信息源的数据库。它主要包括全文数据库和数值数据库。（1）全文数据库存储原始信息全文或主要部分的一种源数据库。如期刊全文数据库、专利全文数据库、百科全书全文数据库，用户使用某一词汇或短语，便可直接检索出含有该词汇或短语的原始信息的全文。（2）数值数据库存储以数值表示信息为主的一种源数据库，和它类似的有文本-数值数据库。与书目数据库比较，数值数据库是对信息进行深加工的产物，可以直接提供所需的数据信息。如各种统计数据库、科学技术数据库等。数值数据库除了一般的检索功能外，还具有准确数据运算功能、数据分析功能、图形处理功能及对检索输出的数据进行排序和重新组织等方面的功能。4．2．2 数据库结构1．书目数据库的结构书目数据库是以文档形式组织一系列数据，这些数据被称为记录，一个记录又包含若干字段。（1）记录与字段记录是作为一个单位来处理有关数据的集合，是组成文档的基本数据单位。记录中所包含的若干字段，则是组成记录的基本数据单位。在书目数据库中，一个记录相当于一条题录或文摘，因此，一个记录通常由标题字段、作者字段、来源字段、文摘字段、主题词字段、分类号字段、语种字段等组成。在有些字段中，又包含多个子字段，子字段是字段的下级数据单位。如，主题词字段含有多个主题词。按照字段所代表记录的性质不同，字段通常分为基本字段和辅助字段两类。常见的字段名称及代码见表4-1。表4-1 字段名称及代码基本字段辅助字段字段名称字段代码字段名称字段代码标题 TI 记录号 DN文摘 AB 作者 AU叙词 DE 作者单位 CS标识词 ID 期刊名称 JN出版年 PY出版国 CO语种 LA（2）文档按一定结构组织的相关记录的集合。文档是书目数据库数据组织的基本形式，文档的组织方式与检索系统的硬件和软件功能密切相关。在书目数据库中，文档结构主要分为顺排文档和倒排文档。1）顺排文档记录按顺序存放，记录之间的逻辑顺序与物理顺序是一致的，相当于印刷型工具中文摘的排列顺序，是一种线形文档。顺排文档是构成数据库的主体部分，但其主题词等特征的标识呈无序状态，直接检索时，必须以完整的记录作为检索单元，从头至尾查询，检索时间长，实用性较差。2）倒排文档将顺排文档中各个记录中含有主题性质的字段（如主题词字段、标题字段、叙词字段等）和非主题性质字段（如作者字段、机构字段、来源字段等）分别提取出来，按某种顺序重新组织得到的一种文档。具有主题性质的倒排档，称基本索引档，非主题性质的倒排档，称辅助索引档。综上所述，顺排档和倒排档的主要区别是：顺排档以完整的记录为处理和检索单元，是主文档，倒排档以记录中的字段为处理和检索单元，是索引文档。计算机进行检索时，先进入倒排档查找有关信息的存取号，然后再进入顺排档按存取号查找记录。2.全文数据库的结构一般的全文数据库结构与书目数据库相似,全文数据库的一个记录就是一个全文文本，记录分成若干字段。其主文档是以顺排形式组织的文本文档,倒排档是对应于记录可检字段的索引文档。3.数值数据库的结构数值数据库的结构要综合考虑数据库的内容及检索目的，即，在内容上，数值数据库的主要内容是数值信息，但不排除含有必要的说明性的文本信息，在检索上，便于单项检索和综合检索，还能对数值进行准确数据运算、数据分析、图形处理及对检索输出的数据进行排序和重新组织。数值数据库的数据结构可以是单元式，也可以是表册形式。前者是对原始数据的模拟，后者则是对统计表格的机读模拟。数值数据库通常有多种文档，如顺排挡、倒排挡、索引文档等。顺排挡是由数值数据组成，为主文档，另有相应的索引文档，为便于存取，索引文档采用基本直接存取结构的组织形式。倒排挡也有相应的索引文档，索引文档采取分级组织形式。数值数据库的文档结构，使所有文档都可以用于检索，所有数据都可用来运算，构成了数值数据库的特点。4．指南数据库的结构指南数据库的结构兼有书目数据库、全文数据库和数值数据库的特点，有顺排档、倒排档、索引文档和数据字典。一般而言，对涉及主题领域较多，内容综合性较强的大型指南数据库，顺排挡（主文档）可采用多子文档的结构，对单一主题领域和内容较专的，则采用单一主文档和不定长、多字段的记录格式为宜。

模糊数据库指能够处理模糊数据的数据库。一般的数据库都是以二直逻辑和精确的数据工具为基础的，不能表示许多模糊不清的事情。随着模糊数学理论体系的建立，人们可以用数量来描述模糊事件并能进行模糊运算。这样就可以把不完全性、不确定性、模糊性引入数据库系统中，从而形成模糊数据库。模糊数据库研究主要有两方面，首先是如何在数据库中存放模糊数据；其次是定义各种运算建立模糊数据上的函数。模糊数的表示主要有模糊区间数、模糊中心数、模糊集合数和隶属函数等。统计数据库管理统计数据的数据库系统。这类数据库包含有大量的数据记录，但其目的是向用户提供各种统计汇总信息，而不是提供单个记录的信息。网状数据库处理以记录类型为结点的网状数据模型的数据库。处理方法是将网状结构分解成若干棵二级树结构，称为系。系类型是二个或二个以上的记录类型之间联系的一种描述。在一个系类型中，有一个记录类型处于主导地位，称为系主记录类型，其它称为成员记录类型。系主和成员之间的联系是一对多的联系。网状数据库的代表是dbtg系统。1969年美国的 codasyl组织提出了一份“dbtg报告”，以后，根据dbtg报告实现的系统一般称为dbtg系统。现有的网状数据库系统大都是采用dbtg方案的。dbtg系统是典型的三级结构体系：子模式、模式、存储模式。相应的数据定义语言分别称为子模式定义语言ssddl，模式定义语言sddl，设备介质控制语言dmcl。另外还有数据操纵语言dml。演绎数据库是指具有演绎推理能力的数据库。一般地，它用一个数据库管理系统和一个规则管理系统来实现。将推理用的事实数据存放在数据库中，称为外延数据库；用逻辑规则定义要导出的事实，称为内涵数据库。主要研究内容为，如何有效地计算逻辑规则推理。具体为：递归查询的优化、规则的一致性维护

5，数据挖掘算法的算法分类

C4.5就是一个决策树算法，它是决策树（决策树也就是做决策的节点间像一棵树一样的组织方式，其实是一个倒树）核心算法ID3的改进算法，所以基本上了解了一半决策树构造方法就能构造它。决策树构造方法其实就是每次选择一个好的特征以及分裂点作为当前节点的分类条件。C4.5比ID3改进的地方时：ID3选择属性用的是子树的信息增益（这里可以用很多方法来定义信息，ID3使用的是熵（entropy）（熵是一种不纯度度量准则）），也就是熵的变化值，而C4.5用的是信息增益率。也就是多了个率嘛。一般来说率就是用来取平衡用的，就像方差起的作用差不多，比如有两个跑步的人，一个起点是100m/s的人、其1s后为110m/s；另一个人起速是1m/s、其1s后为11m/s。如果仅算差值那么两个就是一样的了；但如果使用速度增加率（加速度）来衡量，2个人差距就很大了。在这里，其克服了用信息增益选择属性时偏向选择取值多的属性的不足。在树构造过程中进行剪枝，我在构造决策树的时候好讨厌那些挂着几个元素的节点。对于这种节点，干脆不考虑最好，不然很容易导致overfitting。对非离散数据都能处理，这个其实就是一个个式，看对于连续型的值在哪里分裂好。也就是把连续性的数据转化为离散的值进行处理。能够对不完整数据进行处理，这个重要也重要，其实也没那么重要，缺失数据采用一些方法补上去就是了。 (朴素贝叶斯NB)NB认为各个特征是独立的，谁也不关谁的事。所以一个样本（特征值的集合，比如“数据结构”出现2次，“文件”出现1次），可以通过对其所有出现特征在给定类别的概率相乘。比如“数据结构”出现在类1的概率为0.5，“文件”出现在类1的概率为0.3，则可认为其属于类1的概率为0.5*0.5*0.3。 (支持向量机SVM)SVM就是想找一个分类得最”好”的分类线/分类面（最近的一些两类样本到这个”线”的距离最远）。这个没具体实现过，上次听课，那位老师自称自己实现了SVM，敬佩其钻研精神。常用的工具包是LibSVM、SVMLight、MySVM。 (Mining frequent patterns without candidate generation)这个也不太清楚。FP-growth算法(Frequent Pattern-growth)使用了一种紧缩的数据结构来存储查找频繁项集所需要的全部信息。采用算法：将提供频繁项集的数据库压缩到一棵FP-tree来保留项集关联信息，然后将压缩后的数据库分成一组条件数据库（一种特殊类型的投影数据库），每个条件数据库关联一个频繁项集。 K-Means是一种最经典也是使用最广泛的聚类方法，时至今日扔然有很多基于其的改进模型提出。K-Means的思想很简单，对于一个聚类任务（你需要指明聚成几个类，当然按照自然想法来说不应该需要指明类数，这个问题也是当前聚类任务的一个值得研究的课题），首先随机选择K个簇中心，然后反复计算下面的过程直到所有簇中心不改变（簇集合不改变）为止：步骤1：对于每个对象，计算其与每个簇中心的相似度，把其归入与其最相似的那个簇中。步骤2：更新簇中心，新的簇中心通过计算所有属于该簇的对象的平均值得到。k-means 算法的工作过程说明如下：首先从n个数据对象任意选择k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 BIRCH也是一种聚类算法，其全称是Balanced Iterative Reducing and Clustering using Hierarchies。BIRCH也是只是看了理论没具体实现过。是一个综合的层次聚类特征(Clustering Feature, CF)和聚类特征树(CF Tree)两个概念，用于概括聚类描述。聚类特征树概括了聚类的有用信息，并且占用空间较元数据集合小得多，可以存放在内存中，从而可以提高算法在大型数据集合上的聚类速度及可伸缩性。BIRCH算法包括以下两个阶段：1）扫描数据库，建立动态的一棵存放在内存的CF Tree。如果内存不够，则增大阈值，在原树基础上构造一棵较小的树。2）对叶节点进一步利用一个全局性的聚类算法，改进聚类质量。由于CF Tree的叶节点代表的聚类可能不是自然的聚类结果，原因是给定的阈值限制了簇的大小，并且数据的输入顺序也会影响到聚类结果。因此需要对叶节点进一步利用一个全局性的聚类算法，改进聚类质量。 AdaBoost做分类的一般知道，它是一种boosting方法。这个不能说是一种算法，应该是一种方法，因为它可以建立在任何一种分类算法上，可以是决策树，NB，SVM等。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据，并将关键放在关键的训练数据上面。 GSP，全称为Generalized Sequential Pattern(广义序贯模式)，是一种序列挖掘算法。对于序列挖掘没有仔细看过，应该是基于关联规则的吧！网上是这样说的：GSP类似于Apriori算法，采用冗余候选模式的剪除策略和特殊的数据结构-----哈希树来实现候选模式的快速访存。GSP算法描述:1）扫描序列数据库，得到长度为1的序列模式L1，作为初始的种子集。2）根据长度为i 的种子集Li ，通过连接操作和修剪操作生成长度为i+1的候选序列模式Ci+1；然后扫描序列数据库，计算每个候选序列模式的支持度，产生长度为i+1的序列模式Li+1，并将Li+1作为新的种子集。3）重复第二步，直到没有新的序列模式或新的候选序列模式产生为止。产生候选序列模式主要分两步：连接阶段：如果去掉序列模式s1的第一个项目与去掉序列模式s2的最后一个项目所得到的序列相同，则可以将s1与s2进行连接，即将s2的最后一个项目添加到s1中。修切阶段：若某候选序列模式的某个子序列不是序列模式，则此候选序列模式不可能是序列模式，将它从候选序列模式中删除。候选序列模式的支持度计算：对于给定的候选序列模式集合C，扫描序列数据库，对于其中的每一条序列s,找出集合C中被s所包含的所有候选序列模式，并增加其支持度计数。又是一个类似Apriori的序列挖掘。其中经典十大算法为：C4.5，K-Means，SVM，Apriori，EM，PageRank，AdaBoost，KNN，NB和CART。

数据挖掘的核心是为数据建立模型的过程。所有的数据挖掘产品都有这个建模过程，不同的是它们构造模型的方式互不相同。进行数据挖掘时可采用许多不同的算法。决策树是一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测。常用的算法有chaid、cart、id3和c4.5。决策树方法很直观，这是它的最大优点，缺点是随着数据复杂性的提高，分支数增多，管理起来很困难。angoss公司的knowedgeseeker产品采用了混合算法的决策树。神经网络近来越来越受到人们的关注，因为它为解决大复杂度问题提供了一种相对来说比较有效的简单方法。神经网络常用于两类问题：分类和回归。它的最大优点是它能精确地对复杂问题进行预测。神经网络的缺点是网络模型是个黑盒子，预测值难于理解；神经网络有过拟合的现象。ibm、sas、spss、hnc、angoss等公司是这个产品的供应者。遗传算法是一种基于进化过程的组合优化方法。它的基本思想是随着时间的更替，只有最适合的物种才得以进化。遗传算法能够解决其它技术难以解决的问题，然而，它也是一种最难于理解和最开放的方法。遗传算法通常与神经网络结合使用。采用上述技术的某些专门的分析工具已经发展了大约十年的历史，不过这些工具所面对的数据量通常较小。而现在这些技术已经被直接集成到许多大型的工业标准的数据仓库和联机分析系统中去了。