Класифікація завдань Data Mining

Відповідно до класифікації по стратегіях, завдання Data Mining підрозділяються на наступні групи:

Ø навчання з вчителем;

Ø навчання без вчителя;

Ø інші.

Категорія навчання із вчителем представлена наступними завданнями Data Mining: класифікація, оцінка, прогнозування.

Категорія навчання без вчителя представлена завданням кластеризації.

У категорію інші входять завдання, не включені в попередні дві стратегії.

Завдання Data Mining, залежно від використаних моделей, можуть бути дескриптивними та прогнозуючими. Ці типи моделей будуть докладно описані в лекції, присвяченій процесу Data Mining.

Відповідно до цієї класифікації, завдання Data Mining представлені групами описових і прогнозуючих завдань.

У результаті вирішення описових (descriptive) завдань аналітик одержує шаблони, що описують дані, які піддаються інтерпретації.

Ці завдання описують загальну концепцію аналізованих даних, визначають інформативні, підсумкові, відмінні риси даних. Концепція описових завдань має на увазі характеристику і порівняння наборів даних.

Характеристика набору даних забезпечує короткий і стислий опис деякого набору даних.

Порівняння забезпечує порівняльний опис двох або більше наборів даних.

Прогнозуючі (predictive) основуються на аналізі даних, створенні моделі, прогнозуванні тенденцій або властивостей нових або невідомих даних.

Досить близьким до вищезгаданої класифікації є підрозділ задач Data Mining на наступні: дослідження і відкриття, прогнозування і класифікації, пояснення і описи.

Автоматичне дослідження і відкриття (вільний пошук)

Приклад задачі: виявлення нових сегментів ринку.

Для вирішення даного класу задач використовуються методи кластерного аналізу.

прогнозування і класифікація

Приклад задачі: прогнозування росту обсягів продажів на основі поточних значень.

Методи: регресія, нейронні мережі, генетичні алгоритми, дерева рішень.

Задачі класифікації і прогнозування складають групу так названого індуктивного моделювання, у результаті якого забезпечується вивчення аналізованого об'єкта або системи. У процесі вирішення цих завдань на основі набору даних розробляється загальна модель або гіпотеза.

Пояснення і опис

Приклад завдання: характеристика клієнтів за демографічним даними і історіям покупок.

Методи: дерева рішення, системи правил, правила асоціації, аналіз зв'язків.

Якщо доход клієнта більше, ніж 50 умовних одиниць, і його вік – більше 30 років, тоді клас клієнта – перший.

В інтерпретації узагальненої моделі аналітик одержує нове знання. Груповання об'єктів відбувається на основі їхньої подібності.

Зв'язок понять

Отже, у попередній лекції нами були розглянуті методи Data Mining і дії, що виконуються в рамках стадій Data Mining. Тільки що ми розглянули основні задачі Data Mining.

Нагадаємо, що головна цінність Data Mining – це практична спрямованість даної технології, шлях від сирих даних до конкретного знання, від постановки задачі до готового додатка, за підтримки якого можна приймати рішення.

Багаточисленність понять, які об'єдналися в Data Mining, а також розмаїття методів, що підтримують дану технологію, початковому аналітикові можуть нагадати мозаїку, частини якої мало зв'язані між собою.

Як же ми можемо зв'язати в одне ціле задачі, методи, дії, закономірності, додатки, дані, інформацію, рішення?

Розглянемо два потоки:

1. ДАНІ – ІНФОРМАЦІЯ – ЗНАННЯ І РІШЕННЯ

2. ЗАВДАННЯ – ДІЇ І МЕТОДИ ВИРІШЕННЯ – ДОДАТКА

Ці потоки є "двома сторонами однієї медалі", відображенням одного процесу, результатом якого повинне бути знання і прийняття рішення.

Читайте також:

<== попередня сторінка	\|	наступна сторінка ==>
Завдання Data Mining	\|	Від даних до рішень

Не знайшли потрібну інформацію? Скористайтесь пошуком google:

Генерація сторінки за: 0.015 сек.