如何建立數據模型

1. 數據挖掘如何建立模型

中心的重要參考。
1.與數據挖掘的過程模型CRISP-DM中的要求相比較，目前在數據中心建設過程中還存在一些問題，主要表現在以下幾個方面。
以需求分析代替了商業理解
在CRISP-DM過程模型中，「商業理解」的重點是根據商業目標的要求找出存在的商業問題，並把商業問題轉化為數據分析問題，這一過程主要回答了「為什麼要做？」的問題。而目前所做的「需求分析」往往是從業務問題出發並轉化成了數據分析問題，這一過程只回答了「怎麼做？」的問題。這就使得一些數據分析往往沒有什麼實際作用或者是作用不大，這主要就是因為業務問題解決的商業目標並不清晰。
2. 數據理解工作還不成系統
「數據理解」應該是一個獨立的過程，其在整個數據分析應用項目實施過程中非常重要。而在做數據中心建設項目的可行性研究時，只是很粗略地對源數據進行了一些了解，比如了解了源數據是來源於業務系統的資料庫還是手工編制的Excel文件，數據大致包含了什麼信息等，卻並沒有對源數據進行細致的分析。此外，對數據質量問題的分析在可行性研究階段根本尚未建立。因此，數據中心建設項目中分析主題的數學模型雖然建立了，但卻缺少足夠的數據支持，有時甚至是在項目實施後的階段才去了解源數據的情況，並倉促將源數據導入數據中心，也並未建立源數據准確、及時提供的保障機制，這就造成了數據分析應用中，數據質量較差、可信度很低的情況。
3. 數據准備不充分
在CRISP-DM過程模型中，「數據准備」也是一個獨立的過程，且需要與建立模型的過程互動，通過多次的數據准備，使數據能夠被所建立的模型使用。而目前，企業在數據中心的建設中，業務人員和數據中心建設人員並不熟悉業務系統資料庫中源數據的情況，也就無法對所需要的數據做准確的描述，而熟悉源數據的人員又不熟悉數據中心建設的需求，因此數據准備階段的工作量很大，協調成本也很高。
4. 模型評估機制未建立 目前，對模型的評估主要體現在檢查功能的實現情況，比如檢查所需要的報表、圖表、數據是否按要求建立。

2. 如何使用powerdesigner建立數據模型

物理數據模型（PDM）的主要功能：
1、可以將資料庫的物理設計結果從一種資料庫移植到另一種資料庫；
2、可以通過反向工程將已經存在的資料庫物理結構重新生成物理模型或概念模型；
3、可以定製生成標準的模型報告；
4、可以轉換為OOM；
5、完成多種資料庫的詳細物理設計（涵蓋常用的各種資料庫的DBMS），並生成資料庫對象的.sql腳本；
方法/步驟
1
創建新的PDM

2
創建表：

3
設計表：

4
按下Ctrl+G 導出SQL文件：

5
查看sql文件：

/*==============================================================*/
/* DBMS name: MySQL 5.0 */
/* Created on: 2014/4/6 10:24:31 */
/*==============================================================*/

drop table if exists user_info;

/*==============================================================*/
/* Table: user_info */
/*==============================================================*/
create table user_info
(
user_id int(10) not null,
user_name varchar(100),
user_sex varchar(10),
primary key (user_id)
);

3. 數據處理及建立模型

9.2.2.1 統計量的選取

基於對金剛石/鑽石中E型石榴子石包裹體元素含量統計分析來對其產地來源識別，需要預先搜集世界各地已知的前人研究測試的數據，來建立數學模型，以得出產地來源與包裹體元素含量之間的某些聯系。表9.1是參與此次統計分析的數據來源及樣本數。

參與本文統計分析和繪圖等所用的數據，全部來源於該表中對應的文獻（附表6）。因此，若下文中無再註明出處或其他特殊說明，其數據均默認來自於該表對應產地的文獻，其數字序號也對應相應產地。

表9.1 各產地金剛石石榴子石包裹體電子探針測試數據條數歸納（單位：條）Table 9.1 Statistics of EPMA test data of garnet inclusions in diamonds from different origins (unit: piece of data)

由於判別分析需要從中篩選出能提供較多信息的變數方能使錯判概率變小，因此統計變數的選取尤為重要。包裹體的測試數據包含了數十種元素及其對應氧化物的含量，倘若一一研究，不僅計算量大，計算復雜，而且容易出現重復統計造成較大誤差等。在此，作者選定了其中的FeO、MgO、CaO三種組分參數作變數，這樣選變數基於如下理由（黃進初，1990）：

（1）Si組分作為石榴子石硅酸鹽礦物的主常量組分，不參與此次的統計研究；

（2）Ti、Ni、K、Na、Cr等組分在石榴子石中的含量較低（測試誤差大），且測試數據不全（只有某些產地的測試數據，部分產地的測試數據缺失），因此其數值代入統計研究中會引起較大的誤差；

（3）FeO、MgO、CaO三個組分是石榴子石中對其種類成分產生主要制約的組分，也是和地幔性質有明顯關聯性的組分。對歸納的167條E型石榴子石測試數據的預處理顯示，各產地FeO、MgO、CaO三個統計變數的數據全，且其組間方差與組內方差比值較大，是各產地間差異性比較大的三種組分參數（其中，Mn²⁺含量算入Fe²⁺含量中）。

9.2.2.2 產地歸類

對於金剛石/鑽石來說，由於其形成環境和條件較為「苛刻」，且世界各產地間由於「歷史上」地理位置靠近、幔源性質相近等原因，某些產地間相關包裹體性質具有很大的相似性，僅僅靠一條信息（石榴子石包裹體元素含量統計分析）也許不能區分到具體的每一個產地。為此，本文將先對相似的產地進行歸類，研究石榴子石元素含量差異顯著的幾個代表產地（石榴子石含量差異不顯著的產地間將用其他信息來補充區分，本文不詳細討論）。

在此，作者使用主成分綜合評價法（陳述雲，張崇甫，1995；葉宗裕，2006；閻慈琳，1998），通過將相關統計變數進行主成分分析得到的若干個主成分按線性加權得到一個綜合性評價指標，來觀察不同產地間的E型石榴子石包裹體地球化學異同。由此，對搜集的各產地E型石榴子石包裹體數據，通過將統計變數FeO、MgO、CaO進行主成分分析，用將所得到的n（1≤n≤3）個主成分按公式9.1提取一個綜合主成分：

聯合國金伯利進程框架下的鑽石原產地研究

其中，F_i為第i（1≤i≤n）個主成分，λ_i為主成分F_i對應的特徵值，λ_總為n個主成分的特徵值之和。這里取n=2時，其方差累積百分比達99.711%，說明這兩個主成分可以很好地綜合FeO、MgO、CaO這三個統計變數的信息，且綜合主成分值反應產地間的地球化學異同應該具有一定的可靠性。因此，將不同產地綜合主成分的平均值作圖得到如圖9.8。

根據圖9.8，將主成分均值相近的產地分為以下四大組，每組內部對應產地E型石榴子石包裹體元素差異較小，而不同組之間差異較明顯，可以獲得較好的區分度（表9.2）。

圖9.8 各產地金剛石E型石榴子石包裹體統計量綜合主成分均值圖

Figure 9.8 Mean value of comprehensive principle components of garnets inclusions in eclogitic diamonds all over the world

表9.2 產地分組表*Table 9.2 Groups of diamond origins

表格中的數字序號對應表9.1中的相應產地

9.2.2.3 判別模型的建立

通過判別分析找出各組間的差異性，並建立一個判別模型，作為識別未知產地來源的依據之一。這里使用Fisher判別法，通過坐標變換的方式將數據點投影到另一個坐標系，再用一元方差分析的檢驗手段將新坐標系中水平差異顯著的不同組區分開來，將待判別樣本歸入離新坐標系中質心最近的組。本文的判別分析過程在統計軟體SPSS中進行。

由此，將這4組的FeO、MgO和CaO含量作為統計量，根據表9.2的分組進行判別分析。分析結果部分顯示如表9.3所示。

從以上3個表中得到的有用信息如下：

表9.3顯示，判別的總判別正確率為67.1%，其中組Ⅰ和組Ⅳ的判別正確率都在80%以上，區分效果較好；但組Ⅱ的正確率僅為50%左右，顯示第二組歸類樣品FeO、MgO和CaO含量的信息與其他幾個組之間相關信息的區分度不夠明顯。

表9.4顯示，非標准化的判別方程系數，可以得到一個判別方程組如下：

聯合國金伯利進程框架下的鑽石原產地研究

其中E_x為判別得分，C為對應物含量。

從表9.5顯示，依判別方程，將各組統計量的均值代入可得相應組的質心。若將某個未知來源產地的金剛石E型石榴子石相應FeO、MgO和CaO含量分別代入判別方程9.2組得到的結果E₁、E₂、E₃離哪組的質心距離最近，則認為該金剛石/鑽石來源於該產地。圖9.9顯示，各組質心在同一平面直角坐標系中的位置有顯著距離，且各組樣本共167條數據作相應轉換後的投點歸屬基本正確，正確率應為67%左右。

圖9.10更為直觀地顯示出不同產地的特徵差異：通過四個大組的統計量求氧化物對應的陽離子含量，投Fe-Mg-Ca三元原子百分比圖。由於不同組樣本數不均，且同組不同產地間仍存在不可避免的部分差異，在以組為單位投點後，為作圖的美觀性和結果的直觀性，每組又再取了一個代表產地的統計量參與對比作圖（圖9.10）

如圖9.10所示，相同產地金剛石/鑽石E型石榴子石包裹體Fe、Mg、Ca成分有較好的集聚，而不同產地間又有一定分散的分布，因此具有好的區別性，其中：

表9.3 分組結果Table 9.3 Regrouping results

*總的判別正確率為67.1%

表9.4 典則判別式函數系數Table 9.4 Coefficients of Canonical discriminant function

表9.5 組質心處的函數Table 9.5 Functions at Group Centroids

圖9.9 E型石榴子石包裹體產地來源典則判別函數圖

Figure 9.9 Canonical discriminant function of garnet inclusion sourcing of eclogitic diamonds

圖9.10 金剛石E型石榴子石包裹體Fe-Mg-Ca 原子百分比圖

Figure 9.10 Percentage diagram of Fe-Mg-Ca atoms of garnet inclusions in eclogitic diamonds

（1）第一組，加拿大Jericho產地，其平均Mg含量較高，但平均Ca含量較低，Fe含量則分布較散（這里的Fe含量是指Fe²⁺含量，下同）。

（2）第二組，相應產地的投點則相對分散（圖9.9左），這與判別分組結果（表9.2）：組Ⅱ的判別正確率較低相吻合；但其中南非Venetia產地，以其最低的平均Fe含量和最高的平均Ca含量與其他產地有著明顯區別（圖9.9右）；造成此結果的可能原因將在下文中分析。

（3）第三組，相應產地的投點雖然也有部分分散，但大部分集中在與委內瑞拉Guaniamo產地相近的區域：其特徵是各端元含量都居於三個產地之間，這和該組的綜合主成分均值也居於所有產地之間結果相吻合。

（4）第四組南非Finsch產地，其特徵是平均Fe含量最高，而Ca和Mg含量都相對偏低，與其他組區別明顯。

由此可見，不同產地來源的金剛石/鑽石E型石榴子石包裹體地球化學性質確存在有較明顯的差異性，應該可作為判斷未知產地來源的依據之一。

4. 數據模型的含義是什麼為什麼要建立數據模型

數據模型（Data Model）是數據特徵的抽象。數據（Data）是描述事物的符號記錄，模型（Model)是現實世界的抽象。數據模型從抽象層次上描述了系統的靜態特徵、動態行為和約束條件，為資料庫系統的信息表示與操作提供了一個抽象的框架。數據模型所描述的內容有三部分：數據結構、數據操作和數據約束。

(4)如何建立數據模型擴展閱讀：

數據模型所描述的內容包括三個部分：數據結構、數據操作、數據約束。

1、數據結構:數據模型中的數據結構主要描述數據的類型、內容、性質以及數據間的聯系等。數據結構是數據模型的基礎，數據操作和約束都建立在數據結構上。不同的數據結構具有不同的操作和約束。

2、數據操作:數據模型中數據操作主要描述在相應的數據結構上的操作類型和操作方式。

3、數據約束：數據模型中的數據約束主要描述數據結構內數據間的語法、詞義聯系、他們之間的制約和依存關系，以及數據動態變化的規則，以保證數據的正確、有效和相容。

5. 如何建立數學模型

參閱prey predator model.
首先，無干擾情況下（無葯，不引進天敵），得到老鼠的種群密度，即穩定解。
1.引入變數衡量鼠葯投放強度效果作為微擾。觀察平衡態的波動。得到，鼠葯對老鼠，以及天敵的影響（隨時間變化）。討論之。
2.引入變數衡量天敵種群密度，得到穩定解。與1比較。即可得知長期的效果，孰優孰劣。
此間，調節參數使1和2的穩定解中老鼠種群密度最低。即為滅鼠效果最優。如果使資金*老鼠密度在1和2的穩定解中最低，即為效果投入最優。

人工種植牧草。。。與控制鼠患。。。不太懂。

後記：才看到原來是學校數學競賽題。暈。

6. navicat怎樣構建數據模型

1、建表：如下圖所示

7. 數學建模怎麼建立模型

1、模型准備

首先要了解問題的實際背景，明確建模目的，搜集必需的各種信息，盡量弄清對象的特徵。

2、模型假設

根據對象的特徵和建模目的，對問題進行必要的、合理的簡化，用精確的語言作出假設，是建模至關重要的一步。如果對問題的所有因素一概考慮，無疑是一種有勇氣但方法欠佳的行為，所以高超的建模者能充分發揮想像力、洞察力和判斷力，善於辨別主次，而且為了使處理方法簡單，應盡量使問題線性化、均勻化。

3、模型構成

根據所作的假設分析對象的因果關系，利用對象的內在規律和適當的數學工具，構造各個量間的等式關系或其它數學結構。

這時，我們便會進入一個廣闊的應用數學天地，這里在高數、概率老人的膝下，有許多可愛的孩子們，他們是圖論、排隊論、線性規劃、對策論等許多許多，真是泱泱大國，別有洞天。不過我們應當牢記，建立數學模型是為了讓更多的人明了並能加以應用，因此工具愈簡單愈有價值。

4、模型求解

可以採用解方程、畫圖形、證明定理、邏輯運算、數值運算等各種傳統的和近代的數學方法，特別是計算機技術。一道實際問題的解決往往需要紛繁的計算，許多時候還得將系統運行情況用計算機模擬出來，因此編程和熟悉數學軟體包能力便舉足輕重。

5、模型分析

對模型解答進行數學上的分析。能否對模型結果作出細致精當的分析，決定了你的模型能否達到更高的檔次。還要記住，不論哪種情況都需進行誤差分析，數據穩定性分析。

6、模型檢驗

把數學上分析的結果翻譯回到現實問題，並用實際的現象、數據與之比較，檢驗模型的合理性和適用性。

7、模型應用

取決於問題的性質和建模的目的。

8. 如何在c#中創建數據模型Model

新建一個類！類的名字叫Model ！你們有屬性和欄位！model主要用來傳遞數據的

9. 數據模型的含義是什麼為什麼要建立數據模型，求個實例介紹。

數據模抄型（Data Model）是數據特徵的抽象。數據（Data）是描述事物的符號記錄，模型（Model)是現實世界的抽象。數據模型從抽象層次上描述了系統的靜態特徵、動態行為和約束條件，為資料庫系統的信息表示與操作提供了一個抽象的框架。數據模型所描述的內容有三部分：數據結構、數據操作和數據約束。
(9)如何建立數據模型擴展閱讀：

數據模型所描述的內容包括三個部分：數據結構、數據操作、數據約束。
1、數據結構:數據模型中的數據結構主要描述數據的類型、內容、性質以及數據間的聯系等。數據結構是數據模型的基礎，數據操作和約束都建立在數據結構上。不同的數據結構具有不同的操作和約束。
2、數據操作:數據模型中數據操作主要描述在相應的數據結構上的操作類型和操作方式。
3、數據約束：數據模型中的數據約束主要描述數據結構內數據間的語法、詞義聯系、他們之間的制約和依存關系，以及數據動態變化的規則，以保證數據的正確、有效和相容。
參考實例：
https://www.xdeer.cn/guide/index.html#數據模型

10. 如何建立數據挖掘過程模型

中心的重要參考。 1.與數據挖掘的過程模型CRISP-DM中的要求相比較，目前，我們在數據中心建設過程中還存在一些問題，主要表現在以下幾個方面 以需求分析代替了商業理解 在CRISP-DM過程模型中，「商業理解」的重點是根據商業目標的要求找出存在的商業問題，並把商業問題轉化為數據分析問題，這一過程主要回答了「為什麼要做？」的問題。而我們目前所做的「需求分析」往往是從業務問題出發並轉化成了數據分析問題，這一過程只回答了「怎麼做？」的問題。這就使得一些數據分析往往沒有什麼實際作用或者是作用不大，這主要就是因為業務問題解決的商業目標並不清晰。 2. 數據理解工作還不成系統 「數據理解」應該是一個獨立的過程，其在整個數據分析應用項目實施過程中非常重要。而我們在做數據中心建設項目的可行性研究時，只是很粗略地對源數據進行了一些了解，比如了解了源數據是來源於業務系統的資料庫還是手工編制的Excel文件，數據大致包含了什麼信息等，卻並沒有對源數據進行細致的分析。此外，對數據質量問題的分析在可行性研究階段根本尚未建立。因此，數據中心建設項目中分析主題的數學模型雖然建立了，但卻缺少足夠的數據支持，有時甚至是在項目實施後的階段才去了解源數據的情況，並倉促將源數據導入數據中心，也並未建立源數據准確、及時提供的保障機制，這就造成了數據分析應用中，數據質量較差、可信度很低的情況。 3. 數據准備不充分 在CRISP-DM過程模型中，「數據准備」也是一個獨立的過程，且需要與建立模型的過程互動，通過多次的數據准備，使數據能夠被所建立的模型使用。而目前，企業在數據中心的建設中，業務人員和數據中心建設人員並不熟悉業務系統資料庫中源數據的情況，也就無法對所需要的數據做准確的描述，而熟悉源數據的人員又不熟悉數據中心建設的需求，因此數據准備階段的工作量很大，協調成本也很高。 4. 模型評估機制未建立 目前，對模型的評估主要體現在檢查功能的實現情況，比如檢查所需要的報表、圖表、數據是否按要求建立。