пользователей: 21228
предметов: 10455
вопросов: 177496
Конспект-online
зарегистрируйся или войди через vk.com чтобы оставить конспект.
РЕГИСТРАЦИЯ ЭКСКУРСИЯ

Задачи и методы Data Mining.

Data Mining – обнаружение в сырых д-х ранее неизвестных нетривиальных, практически полезных и доступных для интерпретации зн-ий, к-е необх-мы для принятия решения. Правильнее считать, что DM один из этапов KDD.

Полученные при помощи KDD знания м тера-ровать, т.е. построенную аналитиком модель м применять др пользователям без необходимости понимания как модель была построена

Методы используемые в Data mining

Рассмотрим наиболее известные:

  • Деревья решений — предназначен для решения задач классификации, в данном методе создается иерархическая структура классифицирующих правил типа ЕСЛИ — ТО имеющих вид дерева, в узле дерева задается вопрос. На который имеется два ответа да или нет. Дерево решений строится по алгоритму CART, C4.5.
  • Искусственные нейроные сети, в частности многослойный песептрон. Представляет собой структуру моделирующую биологические процессы, аналогичные процессам в мозге человека. Нейронные сети способны к адаптивному обучению. Для этого сначала их необходимо обучить на тестовой выборке. В отлии от дерева решений нейронные сети не способны объяснить решение. Применяется для решения задач регресси и классификаций, т.е. Выявления не линейной зависимости.
  • Линейная регресия — для регрисивнного анализа и поиска линейных зависимотей.
  • Кластерный анализ — разбиение множества объектов и признаков на однородные при чем разбиение производится не по одному признаку, а по целому набору признаков. При этом нет ограничений на вид рассматриваемых объектов. Позволяет решить задачи сегментации. Сжимать большие массивы экономической информации.
  • Самоорганизующиеся карты или карты Коханена используются для задач кластеризации и сегментации.  Это один из методов проецирования многомерного пространства в пространство с более низкой мерностью
  • ассоциативные правила — позволяют находить закономерности между связанными событиями для выявления ассоциаций. Эффективно используется при анализе покупок, анализе предпочтения клиентов.
  • Последовательные шаблоны — выявляют закономерности аналогичные алгоритмам ассоциативных правил, но выявлят между связанными во времени событий. Важна последовательность совершения событий.

DM – это не одно а больше число разл-х методов обнаружения знаницй.

5 осн-х типов закономерностей, к-е выяв-ся методами DM:

  1. Классификация – установление завистимостей дискретной и выходной переем-ой от вых-х пер-х
  2. Кластеризация – группировка объектов на основе д-х(св-в), опис-щих сущность объектов, причем в отличие от классификации критерии отбора групп не заданы, объекты внутри кластера д.б. похожи др на др, но существенно отличаться от объектов др кластеров, при чем это отличие, тем качественнее кластеризация. В эконом-х задачах чаще исп-ся термин сегментация
  3. Прогнозирования(регрессия)- установление завис-ей между непрер-ой вх-ой пер-ой от вых-х переем-х. Применяется для прогнозирования врем-го ряда на основе исторической д-х
  4. Ассоциации – выявление закономерностей между связанными событиями

Последовательность – установление зависимостей между связями по времени собятиями.Data Mining – обнаружение в сырых д-х ранее неизвестных нетривиальных, практически полезных и доступных для интерпретации зн-ий, к-е необх-мы для принятия решения. Правильнее считать, что DM один из этапов KDD.

Полученные при помощи KDD знания м тера-ровать, т.е. построенную аналитиком модель м применять др пользователям без необходимости понимания как модель была построена


29.12.2014; 17:52
хиты: 219
рейтинг:0
для добавления комментариев необходимо авторизироваться.
  Copyright © 2013-2016. All Rights Reserved. помощь