खनन विरल पैटर्न के लिए उत्पादित तकनीकों का पहला वर्ग प्रत्येक आइटम को एक सममित बाइनरी चर के रूप में मानता है। लेन-देन की जानकारी को नकारात्मक वस्तुओं के साथ बढ़ाकर द्विअर्थी बनाया जा सकता है। यह प्रारंभिक डेटा को सकारात्मक और नकारात्मक दोनों प्रकार के लेनदेन में बदलने का एक उदाहरण प्रदर्शित करता है।

एक पैटर्न के अपेक्षित समर्थन को निर्धारित करने के लिए दो दृष्टिकोण हैं (एक अवधारणा पदानुक्रम और एक पड़ोस-आधारित दृष्टिकोण जिसे अप्रत्यक्ष संघ कहा जाता है। अवधारणा पदानुक्रम के आधार पर समर्थन की अपेक्षा केवल वस्तुनिष्ठ उपाय अनिच्छुक विरल प्रतिमानों को हटाने के लिए पर्याप्त नहीं हो सकते। उदाहरण के

भौतिक या अमूर्त वस्तुओं के समूह को समान वस्तुओं के वर्गों में संयोजित करने की प्रक्रिया को क्लस्टरिंग के रूप में जाना जाता है। क्लस्टर डेटा ऑब्जेक्ट्स का एक सेट है जो एक ही क्लस्टर के भीतर एक दूसरे के समान होते हैं और अन्य क्लस्टर में ऑब्जेक्ट्स से अलग होते हैं। डेटा ऑब्जेक्ट्स के एक समूह को सामूहिक

क्लस्टर विश्लेषण एक आवश्यक मानवीय गतिविधि है। क्लस्टर विश्लेषण का उपयोग इन अभिलेखों पर किए गए विभिन्न उपायों के आधार पर समान अभिलेखों के समूह या समूह बनाने के लिए किया जाता है। मुख्य डिजाइन समूहों को उन तरीकों से परिभाषित करना है जो विश्लेषण के उद्देश्य के लिए उपयोगी हो सकते हैं। इस डेटा का उपयोग कई

विभिन्न प्रकार के क्लस्टरिंग हैं जो इस प्रकार हैं - पदानुक्रमित बनाम विभाजन -कई प्रकार के क्लस्टरिंग के बीच धारणा यह है कि क्या क्लस्टर का सेट नेस्टेड या अननेस्टेड है, या लोकप्रिय शब्दावली में, पदानुक्रमित या विभाजन में है। एक विभाजनात्मक क्लस्टरिंग डेटा ऑब्जेक्ट के समूह का गैर-अतिव्यापी सबसेट (क्ल

क्लस्टर विश्लेषण का उपयोग इन अभिलेखों पर किए गए विभिन्न उपायों के आधार पर समान अभिलेखों के समूह या समूह बनाने के लिए किया जाता है। यह समूहों को उन तरीकों से परिभाषित कर सकता है जो विश्लेषण के उद्देश्य के लिए फायदेमंद हो सकते हैं। इस डेटा का उपयोग कई क्षेत्रों में किया गया है, जैसे कि खगोल विज्ञान, प

K-मीन्स क्लस्टरिंग सबसे आम विभाजन एल्गोरिथम है। K- साधन डेटासेट में प्रत्येक डेटा को बनाए गए नए समूहों में से केवल एक को पुन:असाइन करता है। दूरी या समानता के माप का उपयोग करके निकटतम क्लस्टर को एक रिकॉर्ड या डेटा बिंदु असाइन किया जाता है। k- साधन एल्गोरिथ्म इनपुट पैरामीटर, k बनाता है, और n वस्तुओं

K-मीन्स एल्गोरिथम के विभिन्न मुद्दे हैं जो इस प्रकार हैं - खाली समूहों को संभालना - पहले दिए गए मूल K- ​​साधन एल्गोरिथ्म के साथ पहला मुद्दा यह है कि यदि असाइनमेंट चरण के दौरान क्लस्टर को कोई अंक आवंटित नहीं किया जाता है, तो नल क्लस्टर प्राप्त किए जा सकते हैं। यदि ऐसा होता है, तो प्रतिस्थापन केन्द्रक

अवधारणा प्रारंभिक डेटा से कई क्लासिफायरियर बनाने और फिर अज्ञात उदाहरणों का वर्णन करते समय उनकी भविष्यवाणियों को एकत्रित करने की है। क्लासिफायर के समूह का निर्माण कई तरीकों से किया जा सकता है जो इस प्रकार हैं - प्रशिक्षण सेट में हेरफेर करके - इस पद्धति में, कुछ नमूना वितरण के अनुसार प्रारंभिक डेटा क

रैंडम फ़ॉरेस्ट, विशेष रूप से डिसीजन ट्री क्लासिफ़ायर के लिए डिज़ाइन किए गए एसेम्बल अप्रोच का एक वर्ग है। यह कई निर्णय वृक्षों द्वारा की गई भविष्यवाणियों को एकीकृत करता है, जहां प्रत्येक पेड़ यादृच्छिक वैक्टर के एक अलग सेट के मूल्यों के आधार पर बनाया जाता है। AdaBoost में उपयोग की जाने वाली अनुकूली

ROC,रिसीवर ऑपरेटिंग विशेषता वक्र के लिए खड़ा है। यह वास्तविक सकारात्मक दर और क्लासिफायरियर की झूठी सकारात्मक दर के बीच ट्रेडऑफ दिखाने के लिए एक ग्राफिकल विधि है। ROC वक्र में, वास्तविक धनात्मक दर (TPR) को g अक्ष के आगे आलेखित किया जाता है और r अक्ष पर झूठी धनात्मक दर (FPR) प्रदर्शित की जाती है। प्रत

वर्ग असंतुलन की समस्या से निपटने के लिए नमूनाकरण एक व्यापक रूप से इस्तेमाल की जाने वाली विधि है। नमूनाकरण की अवधारणा उदाहरणों के वितरण को बदलना है ताकि प्रशिक्षण सेट में दुर्लभ वर्ग को अच्छी तरह से परिभाषित किया जा सके। नमूनाकरण के लिए विभिन्न तकनीकें हैं जैसे कि अंडरसैंपलिंग, ओवरसैंपलिंग और दोनों द

समर्थन एक महत्वपूर्ण उपाय है क्योंकि बहुत कम समर्थन वाला नियम संयोग से आसानी से प्रकट हो सकता है। एक कम समर्थन नियम एक व्यावसायिक दृष्टिकोण से थकाऊ होने के लिए भी संभव है क्योंकि यह उन वस्तुओं को बढ़ाने के लिए लाभदायक नहीं हो सकता है जिन्हें उपयोगकर्ता शायद ही कभी एक साथ खरीदते हैं। एक एसोसिएशन निय

सपोर्ट काउंटिंग प्रत्येक उम्मीदवार आइटमसेट के लिए उपस्थिति की आवृत्ति तय करने की प्रक्रिया है जो उम्मीदवार के एप्रियोरी-जेन फ़ंक्शन के प्रूनिंग चरण से बची रहती है। ऐसा करने का एक तरीका यह है कि प्रत्येक लेन-देन की तुलना प्रत्येक उम्मीदवार आइटमसेट से की जाए और लेन-देन में शामिल उम्मीदवारों के समर्थन

Apriori एल्गोरिथ्म की कम्प्यूटेशनल जटिलता निम्नलिखित कारकों से प्रभावित हो सकती है जो इस प्रकार हैं - समर्थन सीमा - समर्थन सीमा को कम करने से उच्च आइटमसेट को बार-बार कहा जाता है। इसका एल्गोरिथम की कम्प्यूटेशनल जटिलता पर प्रतिकूल प्रभाव पड़ता है क्योंकि उच्च उम्मीदवार आइटमसेट का उत्पादन और गणना की ज

एक अधिकतम लगातार आइटमसेट को लगातार आइटमसेट के रूप में दर्शाया जाता है जिसके लिए इसका कोई भी प्रत्यक्ष सुपरसेट अक्सर नहीं होता है। जाली में आइटमसेट को दो समूहों में विभाजित किया जाता है जैसे कि वे जो अक्सर होते हैं और जो कम होते हैं। एक बारंबार आइटमसेट बॉर्डर, जिसे एक धराशायी रेखा द्वारा परिभाषित किय

Apriori लगातार आइटमसेट पीढ़ी के कॉम्बीनेटरियल फटने को दृढ़ता से संबोधित करने के लिए एल्गोरिदम है। यह घातीय खोज क्षेत्र को छोटा करने के लिए एप्रीओरी सिद्धांत का उपयोग करके इसे लागू करता है। इसके महत्वपूर्ण प्रदर्शन में वृद्धि के बावजूद, एल्गोरिदम काफी I/O ओवरहेड प्राप्त करता है क्योंकि इसे लेनदेन रिक

एफपी-ट्री इनपुट डेटा का एक ठोस विवरण है। यह डेटा सेट को एक समय में एक लेनदेन को पढ़कर और एफपी-ट्री में एक मार्ग पर प्रत्येक लेनदेन को मापने के द्वारा इकट्ठा किया जाता है। कई लेन-देन में कई आइटम समान हो सकते हैं, उनका मार्ग ओवरलैप हो सकता है। जितने अधिक मार्ग एक दूसरे के साथ ओवरलैप होते हैं, उतना ही

यह एक व्यापक रूप से इस्तेमाल किया जाने वाला नियम प्रेरण एल्गोरिथ्म है जिसे RIPPER कहा जाता है। यह एल्गोरिथ्म कई प्रशिक्षण उदाहरणों के साथ लगभग रैखिक रूप से मापता है और विशेष रूप से अतिभारित वर्ग वितरण वाले डेटा सेट से मॉडल बनाने के लिए उपयुक्त है। RIPPER शोर वाले डेटा सेट के साथ भी अच्छा काम करता है

निकटतम पड़ोसी नियम आवंटन के बारे में पिछली धारणाओं के बिना अक्सर उच्च प्रदर्शन उत्पन्न करता है, जिससे प्रशिक्षण उदाहरण तैयार किए जाते हैं। इसमें सकारात्मक और नकारात्मक दोनों मामलों का एक प्रशिक्षण सेट शामिल है। सुविधाजनक प्रशिक्षण मामले की दूरी की गणना करके एक नया नमूना परिभाषित किया गया है; उस बिंद