Data Mining käytetään analysoiminen kokoelmat Observations

Tietojen louhinta on hakuprosessiin näiden menetelmien tietoihin tarkoituksenaan löytää piilotettuja kuvioita. Sitä on käytetty jo vuosia yritysten, hallitusten ja tutkijoiden käydä läpi tietomäärien, joka sisältää tiedot lentomatkustajien matkustaa väestönlaskennan tiedot ja supermarket skanneri tietojen tuottaa markkinatutkimus raportteja.

tärkeä syy käyttää data mining on auttaa analysoimaan kokoelmissa havaintoja käyttäytymistä. Nämä tiedot on haavoittuva, koska collinearity suhteita tunneta. Tosiasia data mining on, että kaikki tiedot analysoidaan ei ehkä edusta koko kentän, ja siksi ei voi antaa esimerkkejä kriittisen käyttäytymistä ja suhteita, joita esiintyy muualla kentän.

Tämän ongelman ratkaisemiseksi, analyysi voidaan lisätä perustuvilla menetelmillä kokeita ja muut, kuten valinta malleja ihmisen tuottaman tiedon. Näissä tilanteissa, luontainen korrelaatiot joko tarkastettu tai poistaa rakentamisen aikana koejärjestely.

Tietojen louhinta edellyttää yleensä neljään tehtävät:

Layout - Järjestää datan ennalta ryhmiin. Esimerkiksi sähköpostiohjelma voi yrittää sähköpostin lailliseksi tai roskapostiksi. Yhteinen oppiminen algoritmit ovat päätöksen puita, naapuriin naiivi Bayes luokituksen ja neuroverkko.

Klusterointi - kuten muoto, mutta ryhmät eivät ole ennalta, niin algoritmi yrittää yhdistää samanlaisia ​​kohteita.

Regression - yrittää löytää funktio, joka malleja datan vähiten virhe.

Association sääntö oppiminen - Hakee muuttujien välisten suhteiden. Esimerkiksi supermarket saattaa kerätä tietoa asiakkaiden ostokäyttäytymisestä. Käyttämällä oppimista yhdistyksen sääntöjen, supermarket mitkä tuotteet hankitaan usein yhdessä ja käyttää näitä tietoja markkinointitarkoituksiin. Tätä kutsutaan ostoskorin analyysi. Nyt. Tarkastelemme joitakin esimerkkejä, joissa sitä voidaan käyttää todellisessa maailmassa.

tutkimuksen alalla ihmisen genetiikan, tavoite on tärkeää ymmärtää suhde välisen kirjeenvaihdon yksilöiden välisiä vaihteluita ihmisen DNA sekvenssit ja vaihtelevuus herkkyyden taudille. Yksinkertaisesti sanottuna, se on, miten muutokset DNA-sekvenssin yksittäisen vaikuttavat riski sairauksien, kuten syövän. Tämä on erittäin tärkeää, diagnosointiin, ehkäisyyn ja hoitoon. Data mining tekniikka käyttää tähän tehtävään kutsutaan multifactor dimensionality vähentäminen.

sähkötekniikan alalla, data mining tekniikoita käytetään laajasti kunnon korkean jännitteen sähkölaitteet. Tarkoituksena kunnonvalvonnan on antaa arvokasta tietoa terveyteen eristys laitteet. Tiedot, kuten yhdistelmä itseorganisoituvan kartta (SOM) levitettiin tärinän seurantaan ja analysointiin muuntajan Käämikytkimet (OLTC).

Käyttämällä tärytarkistus, voidaan todeta, että kukin Valitse Muuta toimintaa signaalin noin tilasta kontakteja ja tuottaa trimmeri levyt. Tietenkin, kosketa kannat tuottavat erilaisia ​​signaaleja. Kuitenkin, oli huomattavaa vaihtelevuutta signaalien välillä normaalisti tekee täsmälleen saman toiminnon. SOM käytettiin epänormaalin ehdot ja luonne poikkeamat arvioida.
.