派生モデルはデータマイニングでどのように提示されますか？

分類は、データクラスまたは概念を定義および分類するモデルを検出する手順です。このモデルは、一連のトレーニングデータ（つまり、クラスラベルが有名なデータオブジェクト）の検索に基づいています。モデルは、クラスラベルが匿名であるオブジェクトのクラスラベルを予測できます。

導出されたモデルは、分類ルール（つまり、IF-THENルール）、決定木、数式、ニューラルネットワークなどのいくつかの形式で表すことができます。デシジョンツリーはフローチャートのようなツリーアーキテクチャであり、各ノードは属性値のテストを示し、各ブランチはテストの結果を定義し、ツリーリーフはクラスまたはクラス分布を記述します。

決定木は分類ルールに変換できます。ニューラルネットワークは、分類に使用される場合、一般に、ユニット間に重み付き接続を持つニューロンのような処理ユニットのセットです。単純ベイズ分類、サポートベクターマシン、k最近傍分類など、分類モデルを構築する方法はいくつかあります。

分類予測カテゴリ（離散、順序なし）ラベル、回帰モデルの連続値関数。回帰では、（個別の）クラスラベルの代わりに、欠落している、または使用できない統計データ値を予測できます。

予測は、数値予測とクラスラベル予測の両方を定義します。回帰分析は、数値予測に使用される統計手法ですが、いくつかの手法も存在します。回帰は、利用可能なデータに応じて、分布傾向の特定も取り囲みます。

分類と回帰の前に、関連性分析を行う必要があります。関連性分析では、分類と回帰のプロセスに大幅に適用できる属性を認識しようとします。このような属性は、分類および回帰プロセスで選択されます。関係のない複数の属性があり、検討から許可されない可能性があります。

AllElectronicsのセールスマネージャーとして、販売キャンペーンに対する3種類の反応（良い反応、穏やかな反応、無反応）に基づいて、ストア内の多数のアイテムを定義する必要があるとします。

価格、ブランド、製造場所、タイプ、カテゴリなど、アイテムの説明的な特徴に基づいて、これら3つのクラスのそれぞれのモデルを導出できます。結果として得られる分類では、各クラスを他のクラスから最大限に分析し、データセットの整理されたイメージを提示する必要があります。

デシジョンツリーは、価格を3つのクラスを最もよく区別する個々の要因として識別できます。ツリーはさらに、価格、各クラスのオブジェクトを互いにさらに区別することをサポートする他の機能に、ブランドと製造された場所が含まれていることを明らかにすることができます。このような意思決定ツリーは、特定の販売キャンペーンの影響を学習し、将来、より効率的なキャンペーンを設計するために役立ちます。