अल्पकालिक पैटर्न के खनन के लिए विकसित तकनीकों का पहला वर्ग प्रत्येक आइटम को एक सममित बाइनरी चर मानता है। लेनदेन जानकारी को नकारात्मक आइटम्स के साथ बढ़ाकर बाइनरीकृत किया जा सकता है। यह प्रारंभिक डेटा को सकारात्मक और नकारात्मक दोनों आइटम्स वाले लेनदेन में बदलने का एक उदाहरण दिखाता है। वर्तमान लगातार आ

एक कॉन्सेप्ट हायरार्की और एक पड़ोस-आधारित दृष्टिकोण जिसे इनडायरेक्ट एसोसिएशन कहा जाता है, का उपयोग करके किसी पैटर्न के अपेक्षित समर्थन को निर्धारित करने के लिए दो दृष्टिकोण हैं।कॉन्सेप्ट हायरार्की पर आधारित समर्थन अपेक्षाकेवल वस्तुनिष्ठ उपाय अल्पकालिक पैटर्न को हटाने के लिए पर्याप्त नहीं हो सकते। उद

भौतिक या अमूर्त ऑब्जेक्ट्स के एक सेट को समान ऑब्जेक्ट्स की कक्षाओं में संयोजित करने की प्रक्रिया को क्लस्टरिंग के रूप में जाना जाता है। एक क्लस्टर डेटा ऑब्जेक्ट्स का एक सेट है जो एक ही क्लस्टर के भीतर एक-दूसरे के समान हैं और अन्य क्लस्टर्स में ऑब्जेक्ट्स से भिन्न हैं। कई अनुप्रयोगों में डेटा ऑब्जेक्

क्लस्टर विश्लेषण एक आवश्यक मानवीय गतिविधि है। क्लस्टर विश्लेषण का उपयोग इन रिकॉर्ड्स पर किए गए विभिन्न मापों के आधार पर समान रिकॉर्ड्स के समूह या क्लस्टर्स बनाने के लिए किया जाता है। मुख्य डिज़ाइन उन तरीकों से क्लस्टर्स को परिभाषित करना है जो विश्लेषण के उद्देश्य के लिए उपयोगी हो सकते हैं। इस डेटा क

क्लस्टरिंग के विभिन्न प्रकार हैं जो निम्नलिखित हैं:हायरार्किकल बनाम पार्टीशनल - कई प्रकार के क्लस्टरिंग के बीच अंतर यह है कि क्लस्टर्स का सेट नेस्टेड या अननेस्टेड है, या लोकप्रिय शब्दावली में, हायरार्किकल या पार्टीशनल। एक पार्टीशनल क्लस्टरिंग डेटा ऑब्जेक्ट्स के समूह को नॉन-ओवरलैपिंग सबसेट्स (क्लस्टर

क्लस्टर विश्लेषण इन रिकॉर्ड्स पर किए गए विभिन्न मापों के आधार पर समान रिकॉर्ड्स के समूह या क्लस्टर्स बनाने के लिए उपयोग किया जाता है। यह उन तरीकों से क्लस्टर्स को परिभाषित कर सकता है जो विश्लेषण के उद्देश्य के लिए उपयोगी हो सकते हैं। इस डेटा का उपयोग खगोल विज्ञान, पुरातत्व, चिकित्सा, रसायन विज्ञान,

K-मीन्स क्लस्टरिंग सबसे आम पार्टीशनिंग एल्गोरिदम है। K-मीन्स डेटासेट में प्रत्येक डेटा को केवल नए बने क्लस्टर्स में से एक को पुन: असाइन करता है। एक रिकॉर्ड या डेटा पॉइंट को दूरी या समानता के माप का उपयोग करके निकटतम क्लस्टर को असाइन किया जाता है।k-मीन्स एल्गोरिदम इनपुट पैरामीटर, k, लेता है और n ऑब्ज

K-मीन्स एल्गोरिदम के विभिन्न मुद्दे हैं जो निम्नलिखित हैं:खाली क्लस्टर्स को संभालना - मूल K-मीन्स एल्गोरिदम के साथ पहला मुद्दा यह है कि यदि असाइनमेंट चरण के दौरान किसी क्लस्टर को कोई पॉइंट्स आवंटित नहीं किए जाते हैं तो खाली क्लस्टर्स प्राप्त हो सकते हैं। यदि ऐसा होता है, तो एक प्रतिस्थापन सेंट्रॉयड

अवधारणा प्रारंभिक डेटा से कई क्लासिफायर्स बनाने और फिर अज्ञात उदाहरणों का वर्णन करते समय उनके पूर्वानुमानों को एकत्रित करने की है। क्लासिफायर्स के एन्सेम्बल को कई तरीकों से बनाया जा सकता है जो निम्नलिखित हैं:प्रशिक्षण सेट में हेरफेर करके - इस विधि में, प्रारंभिक डेटा को कुछ नमूनाकरण वितरण के अनुसार

रैंडम फॉरेस्ट एन्सेम्बल दृष्टिकोणों का एक वर्ग है जिसे विशेष रूप से निर्णय वृक्ष क्लासिफायर के लिए डिज़ाइन किया गया है। यह कई निर्णय वृक्षों द्वारा की गई भविष्यवाणियों को एकीकृत करता है, जहां प्रत्येक वृक्ष अलग-अलग यादृच्छिक वैक्टर के मूल्यों के सेट पर आधारित होता है। यादृच्छिक वैक्टर एक स्थिर संभा

ROC का मतलब रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व है। यह एक ग्राफिकल विधि है जो क्लासिफायर की वास्तविक सकारात्मक दर और गलत सकारात्मक दर के बीच ट्रेडऑफ दिखाती है। एक ROC कर्व में, वास्तविक सकारात्मक दर (TPR) को y-अक्ष पर प्लॉट किया जाता है और गलत सकारात्मक दर (FPR) को x-अक्ष पर प्रदर्शित किया जाता है।

सैंपलिंग क्लास असंतुलन समस्या को संभालने के लिए एक व्यापक रूप से उपयोग की जाने वाली विधि है। सैंपलिंग की अवधारणा उदाहरणों के वितरण को बदलना है ताकि दुर्लभ कक्षा प्रशिक्षण सेट में अच्छी तरह से प्रतिनिधित्व करे। सैंपलिंग के लिए विभिन्न तकनीकें हैं जैसे अंडरसैंपलिंग, ओवरसैंपलिंग, और दोनों दृष्टिकोणों

सपोर्ट एक ठोस उपाय है क्योंकि एक नियम जिसका सपोर्ट बहुत कम है, वह आसानी से संयोग से प्रकट हो सकता है। कम सपोर्ट वाला नियम व्यावसायिक दृष्टिकोण से भी थकाऊ होने की संभावना है क्योंकि उन वस्तुओं को बढ़ावा देना लाभदायक नहीं हो सकता जिन्हें उपयोगकर्ता शायद ही कभी एक साथ खरीदते हैं। एक एसोसिएशन नियम X →

सपोर्ट काउंटिंग प्रत्येक उम्मीदवार आइटमसेट की उपस्थिति की आवृत्ति तय करने की प्रक्रिया है जो apriori-gen फ़ंक्शन के उम्मीदवार प्रूनिंग चरण से बचता है। इसे करने का एक तरीका प्रत्येक लेनदेन की तुलना प्रत्येक उम्मीदवार आइटमसेट से करना और लेनदेन में शामिल उम्मीदवारों के सपोर्ट काउंट को रीफ्रेश करना है।

Apriori एल्गोरिदम की कम्प्यूटेशनल जटिलता निम्नलिखित कारकों से प्रभावित हो सकती है - सपोर्ट थ्रेशोल्ड सपोर्ट थ्रेशोल्ड को कम करने के परिणामस्वरूप उच्च आइटमसेट को लगातार घोषित किया जाता है। इसका एल्गोरिदम की कम्प्यूटेशनल जटिलता पर प्रतिकूल प्रभाव पड़ता है क्योंकि उच्च उम्मीदवार आइटमसेट उत्पन्न और गिन

एक अधिकतम लगातार आइटमसेट को एक लगातार आइटमसेट के रूप में दर्शाया जाता है जिसके लिए इसके कोई भी प्रत्यक्ष सुपरसेट लगातार नहीं हैं। लैटिस में आइटमसेट को दो समूहों में विभाजित किया जाता है जैसे कि जो लगातार हैं और जो अल्पबारंबारता वाले हैं। एक लगातार आइटमसेट सीमा, जिसे एक बिंदीदार रेखा द्वारा परिभाषित

Apriori वह एल्गोरिदम है जिसने लगातार आइटमसेट पीढ़ी के संयोजन विस्फोट को दृढ़ता से संबोधित किया है। यह Apriori सिद्धांत का उपयोग करके घातांकीय खोज क्षेत्र को छोटा करके ऐसा करता है। इसके महत्वपूर्ण प्रदर्शन सुधार के बावजूद, एल्गोरिदम को काफी I/O ओवरहेड प्राप्त होता है क्योंकि इसे लेनदेन रिकॉर्डसेट पर

एक FP-ट्री इनपुट डेटा का एक ठोस विवरण है। इसे डेटा सेट को एक समय में एक लेनदेन पढ़कर और प्रत्येक लेनदेन को FP-ट्री में एक मार्ग पर मैप करके इकट्ठा किया जाता है। कई लेनदेन कई आइटम साझा कर सकते हैं, उनके मार्ग ओवरलैप हो सकते हैं। मार्ग एक-दूसरे के साथ जितना अधिक ओवरलैप करते हैं, FP-ट्री वास्तुकला का

यह एक व्यापक रूप से उपयोग किया जाने वाला नियम प्रेरण एल्गोरिदम है जिसे RIPPER कहा जाता है। यह एल्गोरिदम प्रशिक्षण उदाहरणों की संख्या के साथ लगभग रैखिक रूप से स्केल करता है और असंतुलित कक्षा वितरण वाले डेटा सेट से मॉडल बनाने के लिए विशेष रूप से उपयुक्त है। RIPPER शोर डेटा सेट के साथ भी अच्छा काम करत

निकटतम पड़ोसी नियम अक्सर उच्च प्रदर्शन उत्पन्न करता है, बिना किसी पूर्व धारणा के कि प्रशिक्षण उदाहरण किस वितरण से लिए गए हैं। इसमें सकारात्मक और नकारात्मक दोनों मामलों का एक प्रशिक्षण सेट शामिल है। एक नए नमूने को सुविधाजनक प्रशिक्षण मामले की दूरी की गणना करके वर्गीकृत किया जाता है; उस बिंदु का चिह्