Data Mining brukes til å analysere samlinger av Observations

Data mining er prosessen med å bruke disse metodene til data med den hensikt å oppdage skjulte mønstre. Det har vært brukt i mange år av selskaper, myndigheter og forskere for å sile gjennom mengder data, inkludert data om reiser til folketellingsdata og supermarked skannerdata for å produsere markedsforskningsrapporter flypassasjerene.

En viktig grunn til å bruke data mining er å bistå i å analysere samlinger av observasjoner av atferd. Denne informasjonen er sårbare på grunn av kollinearitetsegenskapene relasjoner ukjente. Et faktum data mining er at alle dataene blir analysert kanskje ikke representativt for hele feltet, og derfor ikke kan gi eksempler på kritiske atferd og relasjoner som finnes i andre deler av feltet.

For å løse dette problemet, kan analysen økes ved å bruke metoder basert på eksperimenter og andre, som for eksempel valg modeller for menneskelige genererte data. I slike situasjoner iboende sammenhenger enten bekreftet eller fjernes under byggingen av den eksperimentelle oppsettet

Data mining innebærer vanligvis fire kategorier av oppgaver:.

Layout - Organiserer data i forhåndsdefinerte grupper. For eksempel en e-postprogram kan prøve å e-post som legitim eller spam klassifisering. Felles læring algoritmer er beslutningstrær, nærmeste nabo, naiv Bayes klassifisering og nettverk

Clustering -. Som format, men gruppene er ikke forhåndsdefinert, så algoritmen vil prøve å gruppere lignende elementer
<. p> Regresjon - Forsøk på å finne en funksjon som modeller data med minst feil

Foreningen regel lærings -. Søker etter sammenhenger mellom variabler. Eksempel kan et supermarked samle data om kundenes kjøpsatferd. Bruke læring av foreningen regler, Rimi bestemme hvilke produkter er ofte kjøpt sammen og bruke denne informasjonen til markedsføringsformål. Dette kalles markedet kurv analyse. Nå. Se på noen eksempler hvor det kan brukes i det virkelige verden.

I området av forskning i human genetikk, er målet viktig å forstå forholdet mellom korrespondanse mellom inter-individuelle variasjoner i menneskelige DNA-sekvenser og variasjoner i mottakelighet for sykdom. Enkelt sagt er det hvordan endringer i DNA-sekvensen til et individ påvirker risikoen for utvikling av sykdommer som kreft. Dette er meget viktig for diagnose, forebygging og behandling av sykdommer. Den data mining teknikk som brukes for denne oppgaven er kjent som multifaktor dimensionality reduksjon.

I feltet for elektroteknikk, er data mining teknikker mye brukt for å overvåke tilstanden til høyspent elektrisk utstyr. Formålet med tilstandskontroll er å gi verdifull informasjon om helsen til isolasjon av utstyret. Data, for eksempel en kombinasjon av selvorganiserende kart (SOM) ble brukt til vibrasjonsovervåking og analyse av transformator on-load uttakene (OLTC).

Ved hjelp av vibrasjon overvåking, kan det nevnes at hvert trykk endre driften av et signal om statusen for kontakter og generere trimmer disker. Selvfølgelig, de trykker posisjonene generere ulike signaler. Det var imidlertid betydelig variasjon mellom de signaler som normalt gjør nøyaktig den samme funksjon. SOM ble brukt til å oppdage unormale tilstander og arten av avvikene å anslå
.