Data Mining și Avantaje

Metoda de completare a valorilor lipsă din date prin ignorarea tuplelor cu valori lipsă. Nu este eficientă dacă multe atribute au valori lipsă.

Metoda de completare a valorilor lipsă prin atribuirea unei valori constante. Poate duce la interpretări greșite.

Metoda de completare a valorilor lipsă prin calcularea mediei valorilor existente ale atributului.

Metoda de completare a valorilor lipsă prin calcularea media valorilor atributului pentru aceeași clasă.

Metoda de completare a valorilor lipsă prin atribuirea celei mai probabile valori.

Tehnica de netezire a zgomotului din date prin gruparea datelor sortate în intervale și calcularea mediei, medianei sau marginilor intervalului.

Tehnica de netezire a zgomotului din date prin găsirea celei mai bune linii care unește două atribute.

Procesul de combinare a datelor din mai multe surse pentru a crea un depozit de date unificat.

Atributul A este normalizat în baza unei medii și a unei deviații standard.

Valoarea unui atribut A este trecută în intervalul [0,1] în funcție de valorile acelui atribut din toate înregistrările.

Reducerea entropiei unui atribut prin gruparea valorilor sale în noduri.

Măsură a omogenităţii setului de date. Entropia este maximă când datele sunt distribuite uniform în clase.

Metode care utilizează o altă metodă pentru a calcula un scor pentru fiecare atribut. Este mai rapid decât metodele de tip wrapper.

Metode wrapper

Algoritmi de învățare care pe parcursul învățării reduc din numărul de exemple.

Discretizarea bazată pe entropie

Regulile extrag asocieri între item-uri dintr-o singură dimensiune a datelor.

Regulile extrag asocieri între item-uri din mai multe dimensiuni ale datelor.

Regulile sunt generate la un singur nivel de detaliu.

Regulile sunt generate la multiple nivele de detaliu, permițând analize detaliate și complexe ale datelor.

Regulile implică prezența sau absența item-urilor.

Regulile implică asocieri între item-uri sau atribute cantitative.

Modelul este antrenat cu exemple de antrenament care conțin atat date de intrare cât și ieșire dorită.

Modelul este antrenat cu exemple de antrenament care conțin doar date de intrare.

Măsura care indică cât de ușor de înțeles sunt regulile de asociere, indicând complexitatea lor.

Probabilitatea ca regula să fie adevărată, bazată pe numărul de tranzacții care o confirmă.

Frecvența cu care regula apare în setul de date, reflectând popularitatea sa.

Optimizează eficiența algoritmului Apriori prin gruparea item-urilor în funcție de apariția lor în setul de date.

Îmbunătățește algoritmul Apriori prin eliminarea tranzacțiilor ce nu conțin item-seturi frecvente la un anumit nivel.

Implementează o strategie de 'divide-and-conquer' pentru găsirea pattern-urilor frecvente.

O structură de date arborească care stochează informații despre frecvența item-urilor și relațiile lor.

Procesul de identificare a regulilor de asociere din date, folosind diverse metode și algoritmi.

Procesul de selectare a datelor care vor fi folosite pentru a evalua performanța modelului. Setul de testare trebuie să fie diferit de setul de antrenare.

O metodă de divizare a datelor în 70% pentru antrenare și 30% pentru testare, asigurând o evaluare precisă a performanței modelului.

O tehnică de validare încrucișată în care setul de date este împărțit în 10 subseturi, modelul fiind antrenat de 10 ori, de fiecare dată folosind un subset diferit pentru testare.

Procentul de elemente clasificate corect într-un set de date.

Raportul dintre răspunsurile corecte și totalul răspunsurilor propuse pentru un anumit subiect.

Raportul dintre răspunsurile corecte și numărul total de răspunsuri așteptate pentru un anumit subiect.

Măsura care combină precizia și recall-ul folosind media armonică, oferind o evaluare mai completă a performanței modelului.

Procesul de atribuire a uneia sau mai multor etichete (clase) unui exemplu dintr-o mulțime de etichete existente.

Metodele ierarhice de grupare organizează datele într-o structură ierarhică, asemănătoare cu un arbore. Există doua tipuri: aglomerative și divizive.

Metodele aglomerative încep cu fiecare element ca un singur cluster și le îmbină treptat până când se formează un singur cluster mare.

Metodele divizive încep cu toate elementele într-un singur cluster și îl divizează treptat până când se obțin clusteruri mai mici.

Metodele partitionale găsesc o partiție optimă a datelor în k clustere, unde k este specificat în prealabil.

Metodele bazate pe densitate identifică clusterurile ca zone cu o densitate mare de puncte de date.

Metodele bazate pe grid împart spațiul datelor în celule și formează clusteruri bazate pe distribuția datelor în aceste celule.

Metode bazate pe modele sau rețele, precum algoritmul Self-Organizing Maps (SOM), creează o reprezentare a datelor într-o rețea de noduri, unde nodurile apropiate reprezintă clusteruri similare.

Metodele bazate pe ordinea atributelor analizează relația dintre variabilele din setul de date și formează clusteruri în funcție de ordinea în care apar atributele.