将 InfoSphere Warehouse 数据挖掘与 IBM Cognos 报告集成，第 2 部分: 使用 InfoSphere Warehouse 和 Cognos 检测偏差
简介
在当前的很多 IT 应用中，及时发现可疑行为是一项很重要的任务。以信用卡事务为例。如果一个用户表现出异常的购买行为（例如，平常都是在廉价商店买东西，现在突然购买昂贵的珠宝），那么最好检查相应的事务，以跟踪欺诈行为。除了检测欺诈行为或恶意操纵外，偏差还可以用于其他一些场景。人力资源部门使用偏差检测来发现异常的雇员或求职者。如果仅凭固定的规则识别潜在的情况，则这些人可能被忽视。
偏离全局数据分布的数据记录称为离群值（outlier）。离群值处理通常不是一项完全自动化的任务。相反，数据挖掘用于指出有待分析师或专家进一步分析的数据记录。然后，析师或专家以此为依据决定是否采取行动。因此，一个先进的用户界面和交互模型是成功处理离群值的前提条件。Cognos 很适合完成这项任务。实际上，可以使用一个类似于本 系列 的 将 InfoSphere Warehouse 数据挖掘与 IBM Cognos 报告集成，第 1 部分：InfoSphere Warehouse 与 Cognos 集成架构概述 中创建的报告来可视化离群值。但是，要想充分利用 Cognos 显示离群值的潜力，需要采用一些更高级的技巧。首先，看看如何使用 “穿透钻取（drill-through）” 来创建交互式 Cognos 报告，以及如何链接报告。这将有助于总结信息，同时允许快速访问相关的异常数据记录。其次，学习如何从数据挖掘模型中提取出附加信息，这些附加信息可帮助专家理解离群值的性质。
本文中的实例是一个应用程序，该应用程序帮助一家银行的雇员识别行为异常的客户。这个应用程序可用于避免欺诈，或检测出需要特别关注的客户。下一小节将对偏差检测作一个概述，并展示如何使用 InfoSphere Warehouse 发现大型数据集中的离群值。随后的小节则阐述从挖掘模型中穿透钻取和提取信息的基础知识，并展示如何使用这两种技巧使偏差检测结果更容易理解和利用。
2 3 4 5 6 下一页</div> </div> </div> </div> </div>