डेटा माइनिंग कार्यात्मकताएं (Data mining functionalities) उन पैटर्न के प्रकार को दर्शाने के लिए उपयोग की जाती हैं जिन्हें डेटा माइनिंग कार्यों में खोजा जाना है। सामान्य तौर पर, डेटा माइनिंग कार्यों को वर्णनात्मक (descriptive) और भविष्यवाणी (predictive) दो प्रकारों में वर्गीकृत किया जा सकता है। वर्णनात्मक खनन कार्य डेटाबेस में डेटा की सामान्य विशेषताओं को परिभाषित करते हैं और भविष्यवाणी खनन कार्य वर्तमान जानकारी पर अनुमान लगाकर भविष्यवाणी विकसित करते हैं।
विभिन्न डेटा माइनिंग कार्यात्मकताएं निम्नानुसार हैं:
डेटा लक्षण वर्णन (Data characterization) – यह डेटा के एक ऑब्जेक्ट क्लास की सामान्य विशेषताओं का सारांश है। उपयोगकर्ता-निर्दिष्ट क्लास से संबंधित डेटा आमतौर पर एक डेटाबेस क्वेरी द्वारा एकत्र किया जाता है। डेटा लक्षण वर्णन का आउटपुट कई रूपों में प्रस्तुत किया जा सकता है।
डेटा भेदभाव (Data discrimination) – यह लक्ष्य क्लास डेटा ऑब्जेक्ट की सामान्य विशेषताओं की तुलना एक या एक विपरीत वर्गों के समुच्चय से ऑब्जेक्ट की सामान्य विशेषताओं के साथ है। लक्ष्य और विपरीत वर्गों को उपयोगकर्ता द्वारा दर्शाया जा सकता है, और समतुल्य डेटा ऑब्जेक्ट डेटाबेस क्वेरी के माध्यम से प्राप्त किए जाते हैं।
संबंध विश्लेषण (Association Analysis) – यह उन आइटम के समुच्चय का विश्लेषण करता है जो आमतौर पर लेनदेन डेटासेट में एक साथ होते हैं। संबंध नियमों को निर्धारित करने के लिए दो पैरामीटर उपयोग किए जाते हैं:
यह समर्थन (support) प्रदान करता है जो डेटाबेस में सामान्य आइटम सेट की पहचान करता है।
आत्मविश्वास (Confidence) सशर्त संभावना है कि एक आइटम लेनदेन में होता है जब दूसरा आइटम होता है।
वर्गीकरण (Classification) – वर्गीकरण एक मॉडल की खोज की प्रक्रिया है जो डेटा क्लास या अवधारणाओं को दर्शाता है और अलग करता है, ताकि मॉडल का उपयोग उन ऑब्जेक्ट के वर्ग की भविष्यवाणी करने के लिए किया जा सके जिनका क्लास लेबल अज्ञात है। व्युत्पन्न मॉडल प्रशिक्षण डेटा के एक समुच्चय के विश्लेषण पर स्थापित है (यानी, डेटा ऑब्जेक्ट जिनका क्लास लेबल ज्ञात है)।
भविष्यवाणी (Prediction) – यह कुछ अनुपलब्ध डेटा मान या लंबित रुझानों की भविष्यवाणी को परिभाषित करता है। एक ऑब्जेक्ट की भविष्यवाणी ऑब्जेक्ट के विशेषता मानों और वर्गों के विशेषता मानों के आधार पर की जा सकती है। यह लापता संख्यात्मक मानों की भविष्यवाणी या समय-संबंधी जानकारी में वृद्धि/कमी के रुझान की भविष्यवाणी हो सकती है।
क्लस्टरिंग (Clustering) – यह वर्गीकरण के समान है लेकिन कक्षाएं पूर्वनिर्धारित नहीं हैं। कक्षाएं डेटा विशेषताओं द्वारा दर्शाई जाती हैं। यह अनुपरीक्षित अधिगम (unsupervised learning) है। ऑब्जेक्ट्स को अंतर्कक्षा समानता (intraclass similarity) को अधिकतम करने और अंतरकक्षा समानता (interclass similarity) को कम करने के सिद्धांत पर क्लस्टर या समूहित किया जाता है।
बाहरी विश्लेषण (Outlier analysis) – बाहरी मान (Outliers) वे डेटा तत्व हैं जिन्हें दिए गए क्लास या क्लस्टर में समूहित नहीं किया जा सकता। ये वे डेटा ऑब्जेक्ट हैं जिनका व्यवहार अन्य डेटा ऑब्जेक्ट के सामान्य व्यवहार से कई मायनों में भिन्न होता है। इस प्रकार के डेटा का विश्लेषण ज्ञान खनन के लिए आवश्यक हो सकता है।
विकास विश्लेषण (Evolution analysis) – यह उन ऑब्जेक्ट के लिए रुझानों को परिभाषित करता है जिनका व्यवहार कुछ समय के साथ बदलता है।
