マイニング方法のさまざまな側面は​​何ですか？

マイニング方法には次のようなさまざまな側面があります-

さまざまな新しい種類の知識のマイニング −データマイニングは、データの特性評価と識別から、関係と相関分析、分類、回帰、クラスタリング、外れ値法、シーケンス法、傾向分析と計算分析まで、幅広いデータ分析と知識発見サービスをカバーしています。

これらのサービスは同じデータベースを複数の方法で使用でき、いくつかのデータマイニング技術の開発が必要です。ソフトウェアの多様性のために、新しいマイニングサービスが出現し続けており、強力で急成長している分野であるデータマイニングを開発しています。

たとえば、データネットワークで効果的な知識を発見するために、統合されたクラスタリングとランク付けにより、高品質のクラスターとオブジェクトランクを高ネットワークで見つけることができます。

多次元空間でのマイニング知識 −高データセットの知識を調査する場合、多次元空間の情報を分析できます。いくつかの抽象化レベルで、ディメンション（属性）のセット間の興味深いパターンを検索できます。このようなマイニングは、（探索的）多次元データマイニングと呼ばれます。

場合によっては、データを収集したり、多次元データキューブと見なしたりできます。キューブ領域でのマイニングの知識は、データマイニングの能力と適応性を高めることができます。

データマイニング—学際的な取り組み −データマイニングの能力は、いくつかの分野の新しい技術を統合することで改善できます。たとえば、自然言語のテキストを使用してレコードをマイニングでき、データマイニングのアプローチとデータ検索および自然言語処理の方法を融合する意味があります。

ネットワーク環境での発見力の強化 −一部のデータオブジェクトは、Web、データベースアソシエーション、ファイル、レコードなど、接続された環境または相互接続された環境に存在します。複数のデータオブジェクト間のセマンティック接続を使用して、データマイニングに役立てることができます。オブジェクトの1つのセットで変更された知識を使用して、オブジェクトの「関連付けられた」または意味的に接続されたグループでの知識の発見を増やすことができます。

データの不確実性、ノイズ、または不完全性の処理 −データにノイズ、エラー、例外、またはあいまいさが含まれているか、不完全です。エラーとノイズはデータマイニングフェーズを混乱させ、誤った設計の導出につながる可能性があります。データのクリーニング、データの前処理、外れ値の検出と削除、およびあいまいさの推論は、データマイニングプロセスと統合する必要がある方法の例です。

パターン評価とパターンまたは制約に基づくマイニング −データマイニングプロセスによって生成されたパターンの中には興味深いものではありません。それは興味深いパターンを作成することができ、ユーザーごとに異なる可能性があります。したがって、発見されたパターンの面白さを評価するには、主観的な測定値に依存する手法が必要です。

これらは、ユーザーの信念や期待に応じて、特定のユーザークラスに関するパターンの値を計算します。さらに、興味度の測定値またはユーザー定義の制約を使用して検出プロセスを理解することにより、より興味深いパターンを作成し、検索スペースを減らすことができます。