Data Mining - Probleme
Data Mining ist keine leichte Aufgabe, da die verwendeten Algorithmen sehr komplex werden können und Daten nicht immer an einem Ort verfügbar sind. Es muss aus verschiedenen heterogenen Datenquellen integriert werden. Diese Faktoren verursachen auch einige Probleme. Hier in diesem Tutorial werden wir die wichtigsten Themen in Bezug auf - diskutieren
- Mining-Methodik und Benutzerinteraktion
- Performance-Probleme
- Verschiedene Probleme mit Datentypen
Das folgende Diagramm beschreibt die Hauptprobleme.
Mining-Methodik und Probleme mit der Benutzerinteraktion
Es bezieht sich auf die folgenden Arten von Problemen -
Mining different kinds of knowledge in databases- Verschiedene Benutzer können an verschiedenen Arten von Wissen interessiert sein. Daher muss Data Mining ein breites Spektrum von Wissenserkennungsaufgaben abdecken.
Interactive mining of knowledge at multiple levels of abstraction - Der Data Mining-Prozess muss interaktiv sein, da Benutzer die Suche nach Mustern konzentrieren und Data Mining-Anforderungen basierend auf den zurückgegebenen Ergebnissen bereitstellen und verfeinern können.
Incorporation of background knowledge- Um den Erkennungsprozess zu steuern und die erkannten Muster auszudrücken, kann das Hintergrundwissen verwendet werden. Hintergrundwissen kann verwendet werden, um die entdeckten Muster nicht nur präzise, sondern auf mehreren Abstraktionsebenen auszudrücken.
Data mining query languages and ad hoc data mining - Die Data Mining-Abfragesprache, mit der der Benutzer Ad-hoc-Mining-Aufgaben beschreiben kann, sollte in eine Data Warehouse-Abfragesprache integriert und für ein effizientes und flexibles Data Mining optimiert werden.
Presentation and visualization of data mining results- Sobald die Muster entdeckt wurden, müssen sie in Hochsprachen und visuellen Darstellungen ausgedrückt werden. Diese Darstellungen sollten leicht verständlich sein.
Handling noisy or incomplete data- Die Datenbereinigungsmethoden sind erforderlich, um das Rauschen und unvollständige Objekte beim Mining der Datenregelmäßigkeiten zu verarbeiten. Wenn die Datenbereinigungsmethoden nicht vorhanden sind, ist die Genauigkeit der erkannten Muster schlecht.
Pattern evaluation - Die entdeckten Muster sollten interessant sein, da sie entweder allgemein bekannt sind oder keine Neuheit aufweisen.
Performance-Probleme
Es kann leistungsbezogene Probleme geben, wie zum Beispiel:
Efficiency and scalability of data mining algorithms - Um die Informationen effektiv aus einer großen Datenmenge in Datenbanken zu extrahieren, muss der Data Mining-Algorithmus effizient und skalierbar sein.
Parallel, distributed, and incremental mining algorithms- Die Faktoren wie die Größe der Datenbanken, die weite Verteilung der Daten und die Komplexität der Data Mining-Methoden motivieren die Entwicklung paralleler und verteilter Data Mining-Algorithmen. Diese Algorithmen unterteilen die Daten in Partitionen, die parallel weiterverarbeitet werden. Dann werden die Ergebnisse der Partitionen zusammengeführt. Die inkrementellen Algorithmen aktualisieren Datenbanken, ohne die Daten erneut von Grund auf neu zu analysieren.
Verschiedene Probleme mit Datentypen
Handling of relational and complex types of data - Die Datenbank kann komplexe Datenobjekte, Multimediadatenobjekte, Geodaten, Zeitdaten usw. enthalten. Es ist nicht möglich, dass ein System alle diese Arten von Daten abbaut.
Mining information from heterogeneous databases and global information systems- Die Daten sind an verschiedenen Datenquellen im LAN oder WAN verfügbar. Diese Datenquelle kann strukturiert, halbstrukturiert oder unstrukturiert sein. Daher stellt das Mining des Wissens aus ihnen das Data Mining vor Herausforderungen.