डेटा माइनिंग को एक बड़े डेटाबेस में चयनित डेटा पर लागू किया जाता है। जब बड़ी मात्रा में डेटा पर विश्लेषण और खनन किया जाता है, तो प्रसंस्करण में बहुत लंबा समय लगता है, जो इसे अव्यावहारिक और अव्यवहार्य बना देता है। डेटा विश्लेषण के लिए प्रसंस्करण समय को कम करने के लिए, डेटा कमी तकनीकों का उपयोग मूल डेटा की अखंडता को बनाए रखते हुए, मात्रा में बहुत छोटे डेटासेट के कम प्रतिनिधित्व को प्राप्त करने के लिए किया जाता है। डेटा को कम करके, डेटा माइनिंग प्रक्रिया की दक्षता में सुधार होता है जो समान विश्लेषणात्मक परिणाम देता है।
डेटा कमी का उद्देश्य इसे अधिक संक्षिप्त रूप से परिभाषित करना है। जब डेटा आकार छोटा होता है, तो परिष्कृत और कम्प्यूटेशनली महंगे एल्गोरिदम लागू करना आसान होता है। डेटा की कमी पंक्तियों (रिकॉर्ड्स) की संख्या या स्तंभों (आयामों) की संख्या के संदर्भ में हो सकती है।
डेटा कमी की रणनीतियाँ
डेटा क्यूब एग्रीगेशन
इस विधि में, डेटा क्यूब के निर्माण में डेटा पर एग्रीगेशन ऑपरेशन लागू किए जाते हैं। उदाहरण के लिए, 2002 से 2004 तक प्रति तिमाही बिक्री डेटा। यदि वार्षिक बिक्री (प्रति वर्ष कुल) में रुचि है, तो डेटा को एग्रीगेट किया जा सकता है ताकि परिणामी डेटा प्रति तिमाही के बजाय प्रति वर्ष कुल बिक्री को सारांशित करे। परिणामी डेटा सेट विश्लेषण कार्य के लिए आवश्यक डेटा के नुकसान के बिना मात्रा में छोटा होता है।
विशेषता उपसमुच्चय चयन
इस विधि में, अप्रासंगिक, कमजोर रूप से प्रासंगिक, या अनावश्यक विशेषताओं या आयामों की पहचान की जाती है और हटा दिया जाता है। विश्लेषण के लिए डेटा सेट में सैकड़ों विशेषताएं शामिल हो सकती हैं, जिनमें से कुछ खनन कार्य के लिए अप्रासंगिक या अनावश्यक हो सकती हैं। उदाहरण के लिए, यदि कार्य ग्राहकों को यह वर्गीकृत करना है कि वे बिक्री की सूचना मिलने पर एक लोकप्रिय नई CD खरीदने की संभावना रखते हैं या नहीं, तो ग्राहक का टेलीफोन नंबर जैसी विशेषताएं अप्रासंगिक होने की संभावना है, जबकि उम्र या संगीत_रुचि जैसी विशेषताएं प्रासंगिक हैं।
आयामीता कमी
डेटा सेट आकार को कम करने के लिए एन्कोडिंग तंत्र का उपयोग किया जाता है। आयामीता कमी में, मूल डेटा का कम या "संपीड़ित" प्रतिनिधित्व प्राप्त करने के लिए डेटा एन्कोडिंग या परिवर्तन लागू किए जाते हैं। यदि संपीड़ित डेटा से मूल डेटा को बिना किसी जानकारी के नुकसान के पुनर्निर्मित किया जा सकता है, तो डेटा कमी को लॉसलेस कहा जाता है।
संख्यात्मकता कमी
डेटा को वैकल्पिक, छोटे डेटा प्रतिनिधित्व द्वारा पुनर्स्थापित या भविष्यवाणी किया जाता है, जिसमें पैरामीट्रिक मॉडल (जिनमें वास्तविक डेटा के बजाय केवल मॉडल पैरामीटर्स को सहेजने की आवश्यकता होती है) या नॉन-पैरामीट्रिक विधियां शामिल हैं जैसे क्लस्टरिंग, सैंपलिंग, और हिस्टोग्राम का उपयोग।
डिस्क्रीटाइजेशन और कॉन्सेप्ट हायरार्की जनरेशन
इस विधि में, विशेषताओं के लिए कच्चे डेटा मानों को रेंज या उच्च अवधारणात्मक स्तरों द्वारा प्रतिस्थापित किया जाता है। डेटा डिस्क्रीटाइजेशन संख्यात्मकता कमी का एक रूप है जो कॉन्सेप्ट हायरार्की के स्वचालित उत्पादन के लिए बहुत फायदेमंद है। डिस्क्रीटाइजेशन और कॉन्सेप्ट हायरार्की जनरेशन डेटा माइनिंग के लिए गतिशील उपकरण हैं, क्योंकि वे अमूर्तता के विभिन्न स्तरों पर डेटा के खनन को सक्षम करते हैं।
