डाटा माइनिंग - मुद्दे
डेटा माइनिंग एक आसान काम नहीं है, क्योंकि उपयोग किए गए एल्गोरिदम बहुत जटिल हो सकते हैं और डेटा हमेशा एक स्थान पर उपलब्ध नहीं होता है। इसे विभिन्न विषम डेटा स्रोतों से एकीकृत करने की आवश्यकता है। ये कारक कुछ मुद्दे भी बनाते हैं। यहाँ इस ट्यूटोरियल में, हम प्रमुख मुद्दों के बारे में चर्चा करेंगे -
- खनन पद्धति और उपयोगकर्ता सहभागिता
- प्रदर्शन के कारण
- विविध डेटा प्रकार के मुद्दे
निम्नलिखित आरेख प्रमुख मुद्दों का वर्णन करता है।
खनन पद्धति और उपयोगकर्ता सहभागिता के मुद्दे
यह निम्नलिखित प्रकार के मुद्दों को संदर्भित करता है -
Mining different kinds of knowledge in databases- विभिन्न उपयोगकर्ताओं को विभिन्न प्रकार के ज्ञान में रुचि हो सकती है। इसलिए ज्ञान खनन कार्य के लिए डेटा माइनिंग को कवर करना आवश्यक है।
Interactive mining of knowledge at multiple levels of abstraction - डेटा माइनिंग प्रक्रिया को संवादात्मक बनाने की आवश्यकता है क्योंकि यह उपयोगकर्ताओं को रिटर्न परिणामों के आधार पर डेटा माइनिंग अनुरोधों को प्रदान करने और परिष्कृत करने के लिए पैटर्न की खोज पर ध्यान केंद्रित करने की अनुमति देता है।
Incorporation of background knowledge- खोज प्रक्रिया को निर्देशित करने और खोजे गए पैटर्न को व्यक्त करने के लिए, पृष्ठभूमि ज्ञान का उपयोग किया जा सकता है। न केवल संक्षिप्त शब्दों में, बल्कि अमूर्तता के कई स्तरों पर खोजे गए पैटर्न को व्यक्त करने के लिए पृष्ठभूमि ज्ञान का उपयोग किया जा सकता है।
Data mining query languages and ad hoc data mining - डेटा माइनिंग क्वेरी भाषा जो उपयोगकर्ता को तदर्थ खनन कार्यों का वर्णन करने की अनुमति देती है, उसे डेटा वेयरहाउस क्वेरी भाषा के साथ एकीकृत किया जाना चाहिए और कुशल और लचीली डेटा खनन के लिए अनुकूलित किया जाना चाहिए।
Presentation and visualization of data mining results- एक बार पैटर्न की खोज हो जाने के बाद इसे उच्च स्तरीय भाषाओं, और दृश्य अभ्यावेदन में व्यक्त करने की आवश्यकता होती है। इन अभ्यावेदन को आसानी से समझा जा सकता है।
Handling noisy or incomplete data- डेटा नियमितताओं को खनन करते समय शोर और अधूरी वस्तुओं को संभालने के लिए डेटा सफाई के तरीकों की आवश्यकता होती है। यदि डेटा सफाई के तरीके नहीं हैं, तो खोजे गए पैटर्न की सटीकता खराब होगी।
Pattern evaluation - खोजे गए पैटर्न दिलचस्प होने चाहिए क्योंकि या तो वे सामान्य ज्ञान का प्रतिनिधित्व करते हैं या नवीनता की कमी होती है।
प्रदर्शन के कारण
प्रदर्शन से संबंधित मुद्दे निम्नानुसार हो सकते हैं -
Efficiency and scalability of data mining algorithms - डेटाबेस में डेटा की भारी मात्रा से जानकारी को प्रभावी ढंग से निकालने के लिए, डेटा माइनिंग एल्गोरिदम कुशल और स्केलेबल होना चाहिए।
Parallel, distributed, and incremental mining algorithms- बड़े आकार के डेटाबेस, डेटा का व्यापक वितरण और डेटा माइनिंग के तरीकों की जटिलता समानांतर और वितरित डेटा माइनिंग एल्गोरिदम के विकास को प्रेरित करती है। ये एल्गोरिदम डेटा को विभाजन में विभाजित करते हैं जिसे आगे एक समानांतर फैशन में संसाधित किया जाता है। फिर विभाजन से परिणाम विलय कर दिया जाता है। वृद्धिशील एल्गोरिदम, डेटा को फिर से खरोंच किए बिना डेटाबेस अपडेट करें।
विविध डेटा प्रकार के मुद्दे
Handling of relational and complex types of data - डेटाबेस में जटिल डेटा ऑब्जेक्ट, मल्टीमीडिया डेटा ऑब्जेक्ट, स्थानिक डेटा, टेम्पोरल डेटा आदि हो सकते हैं। इन सभी तरह के डेटा को माइन करना एक सिस्टम के लिए संभव नहीं है।
Mining information from heterogeneous databases and global information systems- यह डेटा LAN या WAN के विभिन्न डेटा स्रोतों पर उपलब्ध है। ये डेटा स्रोत संरचित, अर्ध संरचित या असंरचित हो सकते हैं। इसलिए इनसे मिले ज्ञान से डाटा खनन में चुनौतियां बढ़ जाती हैं।