[发明专利]一种数据分析方法及装置

权利要求书

1.一种数据分析方法，其特征在于，包括：

获取包含历史天气数据的训练集；所述训练集中的训练数据为包含重要特征的天气数据；

对所述训练集进行训练，将所述训练集中的天气数据进行分类；对各个分类下的天气数据进行可逆变换，去除所述训练集中的天气数据的非重要特征，以获取包含重要特征的天气数据；获取所述包含重要特征的天气数据中与特征向量相同的数据；对所述训练集训练完成后，通过输出的多个重要特征的天气数据，构成所述天气数据对应的特征树；

将特征树每个节点的特征，通过与所述节点维度相同的向量进行描述，构建预测函数，使用所述预测函数对待识别的天气数据进行分析，包括：将0特征树中不包含1的特征树的部分作为0的判别向量集，将1特征树中不包含0特征树的部分作为1的判别向量集，构建预测函数f(x)；将输入向量x与向量集进行内积，如果内积为0，则f(x)=1，如果内积为1,则f(x)=0。

2.根据权利要求1所述的方法，其特征在于，将所述训练集中的天气数据进行分类，包括：

计算所述训练集中天气数据的熵，将熵作为分类的标志，对天气数据进行分类。

3.根据权利要求1所述的方法，其特征在于，对各个分类下的天气数据进行可逆变换，去除所述训练集中的天气数据的非重要特征，以获取包含重要特征的天气数据，包括：

定义可逆变换的目标函数，将各个分类下的天气数据根据特征变换，在变换空间中搜索天气数据的可逆变换，以去除所述训练集中的天气数据的非重要特征；

由可逆变换的天气数据构成可逆变换矩阵；所述可逆变换矩阵为包含重要特征的天气数据。

4.根据权利要求1所述的方法，其特征在于，获取所述包含重要特征的天气数据中与特征向量相同的数据，包括：

获取包含重要特征的天气数据训练集中，各个分类下天气数据的特征向量；

去除所述包含重要特征的训练集中，各个分类下数据中包含无关特征向量的天气数据。

5.根据权利要求1所述的方法，其特征在于，通过输出的包含各个重要特征的天气数据，构成所述天气数据对应的特征树，包括：

通过对训练集进行重复多次的训练，获得每个重要特征对应的天气数据；

将多个重要特征的天气数据，根据各个天气数据特征的关系，构建所述天气数 据对应的特征树。

6.根据权利要求1或5所述的方法，其特征在于，所述特征树的每个节点的特征用一个与向量x维度相同的向量描述。

7.一种数据分析装置，其特征在于，包括：

训练集获取单元，用于获取包含历史天气数据的训练集；所述训练集中的训练数据为包含重要特征的天气数据；

特征树构成单元，用于对所述训练集进行训练，将所述训练集中的天气数据进行分类；对各个分类下的天气数据进行可逆变换，去除所述训练集中的天气数据的非重要特征，以获取包含重要特征的天气数据；获取所述包含重要特征的天气数据中与预设特征相同的数据；对所述训练集训练完成后，通过输出的多个重要特征的天气数据，构成所述天气数据对应的特征树；

数据分析单元，将特征树每个节点的特征，通过与所述节点维度相同的向量进行描述，构建预测函数，使用所述预测函数对待识别的天气数据进行分析，包括：将0特征树中不包含1的特征树的部分作为0的判别向量集，将1特征树中不包含0特征树的部分作为1的判别向量集，构建预测函数f(x)；将输入向量x与向量集进行内积，如果内积为0，则f(x)=1，如果内积为1,则f(x)=0。

8.根据权利要求7所述的装置，其特征在于，特征树构成单元，包括：

非重要特征去除子单元，用于定义可逆变换的目标函数，将各个分类下的天气数据根据特征变换，在变换空间中搜索天气数据的可逆变换，以去除所述训练集中的天气数据的非重要特征；

重要特征数据获取子单元，由可逆变换的天气数据构成可逆变换矩阵；所述可逆变换矩阵为包含重要特征的天气数据。