데이터 마이닝-작업

데이터 마이닝은 마이닝 할 수있는 패턴의 종류를 다룹니다. 채굴 할 데이터의 종류에 따라 데이터 마이닝과 관련된 두 가지 범주의 기능이 있습니다.

Descriptive
분류 및 예측

설명 기능

설명 함수는 데이터베이스에있는 데이터의 일반 속성을 다룹니다. 설명 함수 목록은 다음과 같습니다.

클래스 / 개념 설명
빈번한 패턴 채굴
협회 채굴
상관 관계 채굴
클러스터 채굴

클래스 / 개념 설명

클래스 / 개념은 클래스 또는 개념과 관련된 데이터를 나타냅니다. 예를 들어, 회사에서 판매 항목의 클래스에는 컴퓨터와 프린터가 포함되고 고객 개념에는 큰 지출과 예산 지출이 포함됩니다. 이러한 클래스 또는 개념에 대한 설명을 클래스 / 개념 설명이라고합니다. 이러한 설명은 다음 두 가지 방법으로 파생 될 수 있습니다.

Data Characterization− 학습중인 수업의 데이터를 요약 한 것입니다. 연구중인이 클래스를 대상 클래스라고합니다.
Data Discrimination − 미리 정의 된 그룹 또는 클래스가있는 클래스의 매핑 또는 분류를 나타냅니다.

빈번한 패턴 채굴

빈번한 패턴은 트랜잭션 데이터에서 자주 발생하는 패턴입니다. 다음은 자주 발생하는 패턴의 목록입니다.

Frequent Item Set − 우유와 빵과 같이 자주 함께 나타나는 일련의 항목을 의미합니다.
Frequent Subsequence − 카메라 구매와 같이 자주 발생하는 일련의 패턴 뒤에 메모리 카드가 있습니다.
Frequent Sub Structure − 하위 구조는 항목 세트 또는 하위 시퀀스와 결합 될 수있는 그래프, 나무 또는 격자와 같은 다양한 구조적 형태를 나타냅니다.

협회 채굴

연결은 소매 판매에서 자주 함께 구매되는 패턴을 식별하는 데 사용됩니다. 이 프로세스는 데이터 간의 관계를 밝히고 연관 규칙을 결정하는 프로세스를 말합니다.

예를 들어, 한 소매 업체는 우유가 빵과 함께 판매되는 시간의 70 %와 빵과 함께 판매되는 시간의 30 % 만 표시되는 연관 규칙을 생성합니다.

상관 관계 채굴

연관 속성 값 쌍 사이 또는 두 항목 세트 사이의 흥미로운 통계적 상관을 발견하기 위해 수행되는 일종의 추가 분석으로 이들이 서로 긍정적, 부정적 또는 영향을 미치지 않는지 분석합니다.

클러스터 채굴

클러스터는 유사한 종류의 개체 그룹을 나타냅니다. 군집 분석은 서로 매우 유사하지만 다른 군집의 객체와는 매우 다른 객체 그룹을 형성하는 것을 말합니다.

분류 및 예측

분류는 데이터 클래스 또는 개념을 설명하는 모델을 찾는 프로세스입니다. 목적은이 모델을 사용하여 클래스 레이블을 알 수없는 개체의 클래스를 예측할 수 있도록하는 것입니다. 이 파생 모델은 훈련 데이터 세트의 분석을 기반으로합니다. 파생 된 모델은 다음과 같은 형식으로 표시 될 수 있습니다.

분류 (IF-THEN) 규칙
의사 결정 트리
수학 공식
신경망

이 프로세스에 관련된 기능 목록은 다음과 같습니다-

Classification− 등급 레이블을 알 수없는 객체의 등급을 예측합니다. 그 목적은 데이터 클래스 또는 개념을 설명하고 구별하는 파생 모델을 찾는 것입니다. 파생 모델은 훈련 데이터의 분석 세트, 즉 클래스 레이블이 잘 알려진 데이터 객체를 기반으로합니다.
Prediction− 클래스 레이블이 아닌 누락되거나 사용할 수없는 숫자 데이터 값을 예측하는 데 사용됩니다. 회귀 분석은 일반적으로 예측에 사용됩니다. 예측은 사용 가능한 데이터를 기반으로 분포 추세를 식별하는데도 사용할 수 있습니다.
Outlier Analysis − 특이 치는 이용 가능한 데이터의 일반적인 행동이나 모델을 따르지 않는 데이터 객체로 정의 될 수 있습니다.
Evolution Analysis − 진화 분석은 시간이 지남에 따라 행동이 변하는 객체에 대한 설명 및 모델 규칙 또는 추세를 말합니다.