डेटा माइनिंग के सैद्धांतिक आधार
डेटा माइनिंग के आधार के लिए कई सिद्धांत प्रस्तावित किए गए हैं, जिनमें निम्नलिखित शामिल हैं:
1. डेटा रिडक्शन (Data Reduction)
इस सिद्धांत के अनुसार, डेटा माइनिंग का आधार डेटा प्रतिनिधित्व को कम करना है। डेटा रिडक्शन, विशाल डेटाबेस पर प्रश्नों के तेज़ अनुमानित उत्तर प्राप्त करने की आवश्यकता के जवाब में गति के लिए निश्चितता का व्यापार करता है।
डेटा रिडक्शन विधियों में सिंगुलर वैल्यू डिकम्पोजिशन (प्रिंसिपल कंपोनेंट एनालिसिस के पीछे का प्रेरक घटक), वेवलेट्स, रिग्रेशन, लॉग-लीनियर मॉडल, हिस्टोग्राम, क्लस्टरिंग, सैंपलिंग, और इंडेक्स ट्री का विकास शामिल हैं।
2. डेटा कम्प्रेशन (Data Compression)
इस सिद्धांत के अनुसार, डेटा माइनिंग का आधार दी गई जानकारी को बिट्स, एसोसिएशन नियम, डिसीजन ट्री, क्लस्टर्स आदि के संदर्भ में एन्कोड करके संपीड़ित करना है।
3. पैटर्न डिस्कवरी (Pattern Discovery)
इस सिद्धांत में, डेटा माइनिंग का आधार डेटाबेस में दिखाई देने वाले पैटर्न को ढूंढना है, जिसमें एसोसिएशन, क्लासिफिकेशन मॉडल, अनुक्रमिक पैटर्न आदि शामिल हैं। मशीन लर्निंग, न्यूरल नेटवर्क, एसोसिएशन माइनिंग, अनुक्रमिक पैटर्न माइनिंग, क्लस्टरिंग, और कई अन्य उपक्षेत्र इस सिद्धांत में योगदान करते हैं।
4. प्रायिकता सिद्धांत (Probability Theory)
यह सांख्यिकीय सिद्धांत पर आधारित है। इस सिद्धांत के अनुसार, डेटा माइनिंग का आधार यादृच्छिक चरों के संयुक्त प्रायिकता वितरण को ढूंढना है, उदाहरण के लिए, बेजियन बिलीफ नेटवर्क या हायरार्किकल बेजियन मॉडल।
5. सूक्ष्म आर्थिक दृष्टिकोण (Microeconomic View)
सूक्ष्म आर्थिक दृष्टिकोण डेटा माइनिंग को उन पैटर्न की खोज की सेवा के रूप में मानता है जो केवल इस हद तक दिलचस्प हैं कि वे किसी उद्यम की निर्णय लेने की प्रक्रिया में उपयोग किए जा सकते हैं (जैसे मार्केटिंग दृष्टिकोण और उत्पादन योजनाओं के संबंध में)।
यह दृष्टिकोण सेवा का एक रूप है, जिसमें पैटर्न को दिलचस्प माना जाता है यदि उन पर कार्रवाई की जा सके। उद्यमों को अनुकूलन समस्याओं का सामना करना पड़ता है, जहां उद्देश्य निर्णय की उपयोगिता या मूल्य को अधिकतम करना है। इस सिद्धांत में, डेटा माइनिंग एक गैर-रैखिक अनुकूलन समस्या बन जाती है।
6. इंडक्टिव डेटाबेस (Inductive Databases)
इस सिद्धांत के अनुसार, एक डेटाबेस स्कीमा में डेटा और पैटर्न शामिल होते हैं जो डेटाबेस में सहेजे जाते हैं। डेटा माइनिंग डेटाबेस पर इंडक्शन लागू करने की समस्या है, जहां फ़ंक्शन डेटाबेस की जानकारी और सिद्धांत (यानी पैटर्न) को क्वेरी करना है। यह दृष्टिकोण डेटाबेस सिस्टम में कई शोधकर्ताओं के बीच प्रसिद्ध है।
ये सिद्धांत संयुक्त रूप से अनन्य नहीं हैं। उदाहरण के लिए, पैटर्न डिस्कवरी को डेटा रिडक्शन या डेटा कम्प्रेशन के एक डिजाइन के रूप में भी देखा जा सकता है। आदर्श रूप से, एक सैद्धांतिक ढांचा विशिष्ट डेटा माइनिंग कार्यों (एसोसिएशन, क्लासिफिकेशन, और क्लस्टरिंग सहित) को मॉडल करने में सक्षम होना चाहिए, प्रायिकता विशेषताएं होनी चाहिए, डेटा के कई रूपों को संभालने में सक्षम होना चाहिए, और डेटा माइनिंग की पुनरावृत्त और इंटरैक्टिव प्रकृति को संबोधित करना चाहिए। इन आवश्यकताओं को पूरा करने वाली डेटा माइनिंग के लिए एक सुपरिभाषित संरचना की स्थापना की दिशा में और प्रयासों की आवश्यकता है।
