डेटा माइनिंग मॉडल के प्रकार क्या हैं?

डेटा माइनिंग उपयोगी नए सहसंबंधों, पैटर्नों और प्रवृत्तियों को खोजने की प्रक्रिया है, जो रिपॉजिटरी में संग्रहीत बड़ी मात्रा में डेटा के माध्यम से, पैटर्न मान्यता प्रौद्योगिकियों का उपयोग करके, जिसमें सांख्यिकीय और गणितीय तकनीकें शामिल हैं। यह तथ्यात्मक डेटासेट का विश्लेषण है ताकि अनसुने संबंधों की खोज की जा सके और रिकॉर्ड को उन नए तरीकों में सारांशित किया जा सके जो डेटा मालिक के लिए तार्किक और उपयोगी दोनों हैं।

डेटा माइनिंग तकनीकों का उपयोग तीन प्रकार के कार्यों के लिए तीन प्रकार के मॉडल बनाने के लिए किया जा सकता है जैसे वर्णनात्मक प्रोफाइलिंग, निर्देशित प्रोफाइलिंग, और भविष्यवाणी।

वर्णनात्मक प्रोफाइलिंग

वर्णनात्मक मॉडल परिभाषित करते हैं कि रिकॉर्ड में क्या है। आउटपुट कई चार्ट या संख्याएं या ग्राफिक्स हैं जो परिभाषित करते हैं कि क्या चल रहा है। परिकल्पना परीक्षण वर्णनात्मक मॉडल बनाता है। अन्य शब्दों में, दोनों निर्देशित प्रोफाइलिंग और भविष्यवाणी के पास मॉडल बनाते समय एक उद्देश्य होता है।

प्रोफाइलिंग मॉडल में, फोकस इनपुट के समान समय सीमा से होता है। भविष्यवाणी मॉडल में, फोकस अगली समय सीमा से होता है। भविष्यवाणी एक अवधि से डेटा में डिजाइन खोजने को परिभाषित करती है जो अगली अवधि में परिणामों को परिभाषित करने में सक्षम हैं। प्रोफाइलिंग और भविष्यवाणी के बीच अंतर को तेज करने का कारण यह है कि इसका मॉडलिंग पद्धति के साथ संबंध है, विशेष रूप से मॉडल सेट के निर्माण में समय के विश्लेषण के साथ।

निर्देशित प्रोफाइलिंग

प्रोफाइलिंग कई समस्याओं के लिए एक परिचित दृष्टिकोण है। इसमें किसी परिष्कृत डेटा विश्लेषण को शामिल करने की आवश्यकता नहीं है। सर्वेक्षण, उदाहरण के लिए, ग्राहक प्रोफाइल बनाने की एक सामान्य विधि है। सर्वेक्षण प्रकट करते हैं कि ग्राहक और संभावनाएं कैसी दिखती हैं, या कम से कम सर्वेक्षण प्रतिक्रियाकर्ता प्रश्नों का उत्तर कैसे देते हैं।

प्रोफाइल अक्सर जनसांख्यिकीय चरों पर आधारित होती हैं, जैसे भौगोलिक स्थान, लिंग, और आयु। चूंकि विज्ञापन इन्हीं चरों के अनुसार बेचा जाता है, जनसांख्यिकीय प्रोफाइल सीधे मीडिया रणनीतियों में बदल सकती हैं।

भविष्यवाणी

प्रोफाइलिंग अतीत के डेटा का उपयोग यह वर्णन करने के लिए करती है कि अतीत में क्या हुआ। भविष्यवाणी एक कदम आगे जाती है। भविष्यवाणी अतीत के डेटा का उपयोग यह भविष्यवाणी करने के लिए करती है कि भविष्य में क्या होने की संभावना है। यह जानकारी का एक गतिशील उपयोग है।

जबकि कम बचत शेष और CD स्वामित्व के बीच सहसंबंध CD धारकों की प्रोफाइल में फायदेमंद नहीं हो सकता है, उच्च बचत शेष अन्य संकेतकों के साथ संयोजन में भविष्य की CD खरीद का भविष्यवक्ता होने की संभावना है।

एक भविष्यवाणी मॉडल बनाने के लिए मॉडल इनपुट या भविष्यवक्ताओं और मॉडल आउटपुट, जिस चीज की भविष्यवाणी की जानी है, के बीच समय में अलगाव की आवश्यकता होती है। यदि यह विभाजन समर्थित नहीं है, तो मॉडल काम नहीं करेगा।