Data mining կամ տվյալների բացահատում
- Շեղումների բացահայտում (Outlier/change/deviation detection) – Առաջին հերթին ահնրաժեշտ է բացահայտել տվյալների անսովոր տատանումները կամ անհամապատասխանություները՝ դրանք կարող են լինել կամ հետազոտության տեսանկյունից հետաքրքիր բացահայտումներ, կամ էլ սխալներ, որոնք անհրաժեշտ է բացառել և ուղղել:
- Association rule learning (Dependency modelling) – Սա իրենից նրեկացնում է փոփոխականների միջև փոխհարաբերությունների բացահայտում: Այս մեթոդը հնարավորություն է տալիս տեքստային կամ վիճակագրական վերլուծության միջոցով գտնել տարբեր կատեգորիաների հարաբերակցության ինտենսիվությունը:
- Կլաստերային վերլուծություն-Clustering – Այս խմբի վերլուծությունը հնարավորություն է տալիս բացահայտել խմբեր և կառուցվածքներ տվյալների բազայի մեջ, որոնք ունեն նմանություններ կամ գործում են նույն կերպ՝ համաձայն առաջադրված չափանիշների:
- Դասակարգում Classification – այս վերլուծական մեթոդը հնարավորություն է տալիս ընդհանրացնել նոր տվյալները ըստ արդեն մշակված կառուցվածների:
- Ռեգրեսիոն վերլուծություն Regression – Այս մեթոդը հնարավորություն է տալիս գտնել տվյալների մոդելի առավելագույնս քիչ շեղումներ պարունակող ֆունկցիան:
- Ամփոփում/ Summarization – Տվյալների ցանցի առավել համապարփակ և սեղմ ներկայացումն է՝ ներառյալ տվյալների վիզուալիզացիան և հաշվետվությունների ստեղծումը: Այս բոլոր վերլուծական մեթոդներին և մոդելներին ավելի մանրամասն անդրադարձ է կատարվել այլ հոդվածներում:
|
| Category: Հոդվածներ | Added by: Vahik (2015-09-29)
|
| Views: 544
| Rating: 0.0/0 |
