Data Mining - Задачи

Интеллектуальный анализ данных имеет дело с типами шаблонов, которые можно добыть. В зависимости от типа данных, которые необходимо добывать, в интеллектуальном анализе данных участвуют две категории функций:

• Descriptive
• Классификация и прогноз

Описательная функция

Описательная функция имеет дело с общими свойствами данных в базе данных. Вот список описательных функций -

• Описание класса / концепции
• Майнинг частых паттернов
• Горное дело ассоциаций
• Анализ корреляций
• Майнинг кластеров

Описание класса / концепции

Класс / понятие относится к данным, которые должны быть связаны с классами или концепциями. Например, в компании классы товаров для продажи включают компьютеры и принтеры, а концепции клиентов включают крупных и бюджетных средств. Такие описания класса или концепции называются описаниями класса / концепции. Эти описания могут быть получены двумя способами:

• Data Characterization- Имеется в виду обобщение данных изучаемого класса. Этот изучаемый класс называется целевым классом.

• Data Discrimination - Это относится к сопоставлению или классификации класса с некоторой предопределенной группой или классом.

Майнинг частых паттернов

Частые шаблоны - это шаблоны, которые часто встречаются в транзакционных данных. Вот список частых закономерностей -

• Frequent Item Set - Это относится к набору предметов, которые часто встречаются вместе, например, молоко и хлеб.

• Frequent Subsequence - За часто встречающейся последовательностью шаблонов, таких как покупка камеры, следует карта памяти.

• Frequent Sub Structure - Подструктура относится к различным структурным формам, таким как графы, деревья или решетки, которые можно комбинировать с наборами элементов или подпоследовательностями.

Горное объединение

Ассоциации используются в розничных продажах для определения моделей, которые часто покупаются вместе. Этот процесс относится к процессу выявления связи между данными и определения правил ассоциации.

Например, розничный торговец генерирует правило ассоциации, которое показывает, что 70% времени молоко продается с хлебом и только 30% случаев продается печенье с хлебом.

Анализ корреляций

Это своего рода дополнительный анализ, выполняемый для выявления интересных статистических корреляций между парами связанных атрибутов и значений или между двумя наборами элементов для анализа того, имеют ли они положительное, отрицательное или нулевое влияние друг на друга.

Майнинг кластеров

Кластер относится к группе объектов одного типа. Кластерный анализ относится к формированию группы объектов, которые очень похожи друг на друга, но сильно отличаются от объектов в других кластерах.

Классификация и прогноз

Классификация - это процесс поиска модели, описывающей классы данных или концепции. Цель состоит в том, чтобы иметь возможность использовать эту модель для прогнозирования класса объектов, метка класса которых неизвестна. Эта производная модель основана на анализе наборов обучающих данных. Производная модель может быть представлена ​​в следующих формах -

• Правила классификации (IF-THEN)
• Деревья решений
• Математические формулы
• Нейронные сети

Список функций, участвующих в этих процессах, следующий:

• Classification- Он предсказывает класс объектов, метка класса которых неизвестна. Его цель - найти производную модель, которая описывает и различает классы данных или концепции. Производная модель основана на анализируемом наборе обучающих данных, то есть на объекте данных, метка класса которого хорошо известна.

• Prediction- Он используется для прогнозирования отсутствующих или недоступных числовых значений данных, а не меток классов. Регрессионный анализ обычно используется для прогнозирования. Прогнозирование также можно использовать для определения тенденций распределения на основе имеющихся данных.

• Outlier Analysis - Выбросы могут быть определены как объекты данных, которые не соответствуют общему поведению или модели доступных данных.

• Evolution Analysis - Анализ эволюции относится к описанию и моделированию закономерностей или тенденций для объектов, поведение которых изменяется с течением времени.

Примитивы задач интеллектуального анализа данных

• Мы можем указать задачу интеллектуального анализа данных в форме запроса интеллектуального анализа данных.
• Этот запрос вводится в систему.
• Запрос интеллектуального анализа данных определяется в терминах примитивов задач интеллектуального анализа данных.

Note- Эти примитивы позволяют нам взаимодействовать в интерактивном режиме с системой интеллектуального анализа данных. Вот список примитивов задач интеллектуального анализа данных -

• Набор данных, относящихся к задаче, которые необходимо добыть.
• Вид знаний, которые нужно добыть.
• Базовые знания, которые будут использоваться в процессе открытия.
• Меры интереса и пороговые значения для оценки паттернов.
• Представление для визуализации обнаруженных закономерностей.

Набор данных, относящихся к задаче, которые необходимо добыть

Это та часть базы данных, которая интересует пользователя. Эта часть включает в себя следующее -

• Атрибуты базы данных
• Интересующие параметры хранилища данных

Вид знаний, которые нужно добыть

Это относится к типу выполняемых функций. Эти функции -

• Characterization
• Discrimination
• Ассоциативный и корреляционный анализ
• Classification
• Prediction
• Clustering
• Анализ выбросов
• Анализ эволюции

Жизненный опыт

Базовые знания позволяют добывать данные на нескольких уровнях абстракции. Например, иерархии концепций являются одним из базовых знаний, позволяющих добывать данные на нескольких уровнях абстракции.

Меры интереса и пороги для оценки паттернов

Это используется для оценки закономерностей, обнаруженных в процессе открытия знаний. Существуют разные интересные меры для разных видов знаний.

Представление для визуализации обнаруженных закономерностей

Это относится к форме, в которой должны отображаться обнаруженные закономерности. Эти представления могут включать следующее. -

• Rules
• Tables
• Charts
• Graphs
• Деревья решений
• Cubes