Mikä on tiedon louhinnan algoritmi?
Tietojen louhintaalgoritmi on joukko tutkimus- ja analyyttisiä algoritmeja, jotka auttavat luomaan datamallin. Konkreettisen mallin saamiseksi algoritmin on ensin analysoitava toimittamasi tiedot, jotka voivat löytää erityyppisiä malleja tai suuntauksia. Tämän algoritmin tuloksena on analyysi erilaisista iteraatioista, jotka voivat auttaa optimaalisten parametrien löytämisessä oikealle datankaivosmallille. Näitä parametrijoukkoja voidaan soveltaa koko tietojoukkoon, ja ne auttavat poimimaan toimivia kuvioita ja saamaan yksityiskohtaisen tilastotiedon.
Tärkeimmät tiedon louhinnan algoritmit
Katsokaamme tärkeimmät tiedon louhinnan algoritmit:
1. C4.5-algoritmi
On olemassa rakenteita, joita luokittelijat käyttävät ja jotka ovat työkaluja tiedon louhintaan. Nämä järjestelmät ottavat panoksia tapauskokoelmasta, jossa jokainen tapaus kuuluu johonkin pienestä luokkien lukumäärästä, ja ne kuvataan sen arvoilla kiinteälle attribuuttijoukolle. Lähtöluokitin voi tarkasti ennustaa luokan, johon se kuuluu. Siinä käytetään päätöksentekopuita, joissa ensimmäinen alkuperäinen puu hankitaan jakamalla ja valloittamalla -algoritmilla.
Oletetaan, että S on luokka ja puu on varustettu lehdillä, jolla on yleisin luokka luokassa S. Voidaan käyttää testin valitsemista yhdestä ominaisuudesta, jolla on kaksi tai useampia tuloksia, kuin sen tekeminen tämän testin juureksi yhdeksi haaraksi jokaiselle testin tulokselle. Osiot vastaavat osajoukkoja S1, S2 jne., Jotka ovat tuloksia jokaiselle tapaukselle. C4.5 mahdollistaa useita tuloksia. Monimutkaisten päätöspuiden tapauksessa C4.5 on ottanut käyttöön vaihtoehtoisen kaavan, joka koostuu luettelosta säännöistä, joissa nämä säännöt on ryhmitelty kullekin luokalle. Tapa luokitellaan ensimmäiseksi luokkaksi, jonka ehdot täyttyvät. Jos tapaus ei täytä mitään sääntöä, sille annetaan oletusluokka. C4.5-sääntöjoukot muodostetaan alkuperäisestä päätöspuusta. C4.5 parantaa skaalautuvuutta monisäikeistämällä.
2. k-tarkoittaa algoritmia
Tämä algoritmi on yksinkertainen tapa jakaa tietty datajoukko käyttäjän määrittämään määrään klustereita. Tämä algoritmi toimii d-ulotteisissa vektoreissa, D = (xi | i = 1, … N) missä i on datapiste. Näiden alkuperäisten siementen saamiseksi tiedot on otettava satunnaisesti. Tämä asettaa ratkaisun ryhmitellä pieni datajoukko, datan keskimääräinen keskiarvo k kertaa. Tämä algoritmi voidaan yhdistää toiseen algoritmiin kuvaamattomien klusterien kuvaamiseksi. Se luo k ryhmää annetusta objektien joukosta. Se tutkii koko tietojoukon klusterianalyysillä. Se on yksinkertainen ja nopeampi kuin muut algoritmit, kun sitä käytetään muiden algoritmien kanssa. Tämä algoritmi luokitellaan useimmiten puolivalvotuksi. Klusterien lukumäärän määrittelemisen lisäksi se myös jatkaa oppimista ilman mitään tietoja. Se tarkkailee klusteria ja oppii.
3. Naiivi Bayes-algoritmi
Tämä algoritmi perustuu Bayes-lauseeseen. Tätä algoritmia käytetään pääasiassa, kun tulojen mitat ovat suuret. Tämä luokitin voi helposti laskea seuraavan mahdollisen tuotoksen. Uutta raakadataa voidaan lisätä suorituksen aikana ja se tarjoaa paremman todennäköisyysluokittajan. Jokaisella luokalla on tunnettu joukko vektoreita, joiden tarkoituksena on luoda sääntö, jonka avulla objektit voidaan tulevaisuudessa luokitella luokkiin. Muuttujien vektorit kuvaavat tulevaisuuden objekteja. Tämä on yksi helpoimmista algoritmeista, koska se on helppo rakentaa, eikä siinä ole monimutkaisia parametrienestisointikaavioita. Sitä voidaan helposti soveltaa myös suuriin tietokokonaisuuksiin. Se ei tarvitse monimutkaisia iteratiivisia parametrien arviointijärjestelmiä, joten ammattitaidottomat käyttäjät ymmärtävät miksi luokitukset tehdään.
4. Tuki vektorikoneiden algoritmia
Jos käyttäjä haluaa vankkoja ja tarkkoja menetelmiä, Support Vector koneiden algoritmia on kokeiltava. SVM: ää käytetään pääasiassa oppimisen luokitteluun, regressioon tai sijoitustoimintoon. Se muodostuu rakenteellisten riskien minimoinnin ja tilastollisen oppimisteorian perusteella. Päätöksen rajat on tunnistettava, jota kutsutaan hyperkoneeksi. Se auttaa luokkien optimaalisessa erottelussa. SVM: n päätehtävänä on tunnistaa kahden luokan välisen marginaalin maksimointi. Marginaali määritellään kahden luokan välisen tilan määränä. Hyper-tasofunktio on kuin rivin yhtälö, y = MX + b. SVM voidaan laajentaa suorittamaan myös numeeriset laskelmat. SVM käyttää ydintä siten, että se toimii hyvin korkeammissa mitoissa. Tämä on valvottu algoritmi, ja tietojoukkoa käytetään ensin ilmoittamaan SVM: lle kaikista luokista. Kun tämä on tehty, SVM voi kyetä luokittelemaan nämä uudet tiedot.
5. Apriorin algoritmi
Apriori-algoritmia käytetään laajasti etsimään usein tapahtuneita tietojoukkoja transaktiotietojoukosta ja johtamaan yhdistämissääntöjä. Usein löydettyjen tuotejoukkojen löytäminen ei ole vaikeaa, koska sen yhdistelmä räjähtää. Kun olemme saaneet usein tuoteryhmiä, on selvää luoda yhdistyssäännöt suuremmalle tai yhtä suurelle määritellylle vähimmäisluotukselle. Apriori on algoritmi, joka auttaa löytämään usein toistuvia tietojoukkoja hyödyntämällä ehdokas sukupolvea. Se olettaa, että esinejoukko tai läsnä olevat esineet on lajiteltu leksikografisessa järjestyksessä. Apriorin käyttöönoton jälkeen tiedon louhinnan tutkimusta on erityisesti tehostettu. Se on yksinkertainen ja helppo toteuttaa. Tämän algoritmin peruslähestymistapa on seuraava:
- Liity : Koko tietokantaa käytetään kuokka-usein 1-sarjan tuotteisiin.
- Prune : Tämän esinejoukon on täytettävä tuki ja itseluottamus siirtyäksesi seuraavalle kierrokselle 2 esineesarjaa varten.
- Toista : Jollei ennalta määritettyä kokoa ole saavutettu, niin se toistetaan jokaiselle kohdejoukon tasolle.
johtopäätös
Kun viittä algoritmia käytetään näkyvästi, on myös muita, jotka auttavat tiedon louhinnassa ja oppivat. Se integroi erilaisia tekniikoita, kuten koneoppimisen, tilastotiedot, kuvion tunnistuksen, tekoälyn ja tietokantajärjestelmät. Kaikki nämä auttavat suurten tietosarjojen analysoinnissa ja erilaisten tietojen analysointitehtävien suorittamisessa. Siksi ne ovat hyödyllisimpiä ja luotettavia analytiikkaalgoritmeja.
Suositellut artikkelit
Tämä on opas tietojen louhinnan algoritmeihin. Tässä keskustelimme peruskäsitteistä ja tärkeimmistä tiedon louhintaalgoritmeista. Voit myös käydä läpi muiden ehdotettujen artikkeleidemme ja oppia lisää-
- Mikä on ohjelmistotestaus?
- Päätöksen puun algoritmi
- Mikä on Generic Java?
- Tietojen louhinnan arkkitehtuuri
- Tiedonlouhinnan sovellukset
- Esimerkkejä ja kuinka Generics toimii C #
- Tietojen louhinnan mallit ja edut