3 курс (заочка) / Доклад - Data Mining / Полезности по теме / Data Mining хорошая методичка

группы методов данная стадия в принципе отсутствует.

На стадиях прогностического моделирования и анализа исключений

используются результаты стадии свободного поиска, они значительно

компактнее самих баз данных.

Напомним,

что конструкции этих моделей могут быть трактуемыми

аналитиком либо нетрактуемыми ("черными ящиками").

О

Г

О

Методы этой группы: логические методы; методы визуализации; методыК

С

кросс-табуляции; методы, основанные на уравнениях.

В

Е

Логические методы,

или методы логической индукции,

Ш

включают:

Ы

нечеткие запросы

и

анализы;

символьные правила;

деревья

решений;

Н

генетические алгоритмы.

Р

ЧЕ

Методы этой группы являются, пожалуй, наиболее интерпретируемыми

- они оформляют

найденные

закономерности,

.

случаев, в

в большинствеГ

достаточно

прозрачном виде

с точки зрения

.

. Полученные

пользователяН

НИ

правила могут включать непрерывные и дискретные переменные. Деревья

решений могут быть легко преобразованы в наборыЕ символьных правил путем

М

И

генерации одного правила по пути от корня дерева до его терминальной

Т

вершины.

Деревья

решений

и

Е

являются

разными

правила фактически

Т

И

способами решения одной задачи и отличаются лишь по своим возможностям.

Кроме

того,

реализация

правил

Сосуществляется

более

медленными

Р

алгоритмами, чем индукция деревьевЕ

решений.

В

Методы кросс-табуляцииИ: агенты, баесовские (доверительные) сети,

Н

кросс-табличная визуализацияУ. Последний метод не совсем отвечает одному

из

свойств Data

Mining Й-

самостоятельному

поиску

закономерностей

Ы

Н

аналитической системой. Однако, предоставление информации в виде кросс-

Н

таблиц

Е

Mining

-

поиск

обеспечивает

реализацию основной задачи Data

В

Т

шаблонов, поэтому этот метод можно также считать одним из методов Data

С

Mining.

Р

А

Д

на основе уравнений. Методы этой

группы

выражают

Методы

У

С

выявленные закономерности в виде математических выражений - уравнений.

Г

Они могутО

работать лишь с численными переменными, и переменные других

Й

типов должны быть закодированы соответствующим образом. Это несколько

И

К

ограничивает применение методов данной группы, тем не менее они широко

С

В

при

решении

различных

задач,

особенно

задач

используются

Т

А

Опрогнозирования. Основные методы данной группы: статистические методы и

Р

нейронные сети. Статистические методы наиболее часто применяются для

С

А

решения

задач

прогнозирования.

Существует множество

методов

статистического анализа данных, среди них, например, корреляционно-

регрессионный анализ, корреляция рядов динамики, выявление тенденций

динамических рядов, гармонический анализ.

Другая классификация разделяет все многообразие методов Data Mining

на

две

группы:

статистические

и

кибернетические

методы.

Эта

схема

21

Статистические методы Data mining.

Эти методы представляют собой четыре взаимосвязанных раздела:

предварительный анализ

природы

статистических

данных

(проверка гипотез стационарности, нормальности, независимости,

однородности,

оценка

вида

функции распределения,

О

Гее

параметров и т.п.);

О

К

С

выявление связей и закономерностей (линейный и нелинейныйВ

регрессионный анализ, корреляционный анализ и др.);

Е

Ш

многомерный статистический анализ (линейный и Ынелинейный

Н

дискриминантный анализ, кластерный анализ, Ркомпонентный

анализ, факторный анализ и др.);

ЧЕ

.

Г

рядов.

динамические модели и прогноз на основе временных.

Н

Арсенал статистических методов Data Mining классифицирован на

четыре группы методов:

НИ

Е

1. Дескриптивный анализ и описание исходных данных.

М

анализ, факторный

2. Анализ связей (корреляционный и регрессионныйИ

анализ, дисперсионный анализ).

Т

Е

Т

анализ

(компонентный

анализ,

3. Многомерный статистический

И

С

дискриминантный анализ, многомерный регрессионный анализ, канонические

Р

корреляции и др.).

Е

В

И

4. Анализ временных рядов (динамические модели и прогнозирование).

Н

У

Й

Кибернетические методы Data Mining.

Второе

Ы

Data Mining

- это

множество

подходов,

направлениеН

объединенных

Н

математики

и

использования

теории

идеейЕкомпьютерной

В

.

искусственного интеллектаТ

С

относятся такие методы:

К этой группеР

А

нейронные сети (распознавание, кластеризация,

искусственныеД

У

Спрогноз);

О

эволюционное программирование;

Г

Й

генетические алгоритмы (оптимизация);

И

К

ассоциативная память (поиск аналогов, прототипов);

С

В

нечеткая логика;

О

Т

деревья решений;

А