डेटा विसंगतियों को पहचानने का समर्थन करने के लिए अपवाद संकेतक के रूप में तीन उपायों का उपयोग किया जाता है। ये उपाय आश्चर्य की डिग्री को दर्शाते हैं कि एक सेल में मात्रा उसके अपेक्षित मूल्य के संबंध में प्रभावित करती है। एकत्रीकरण के सभी स्तरों के लिए उपायों की गणना की जाती है और प्रत्येक सेल के साथ

आयामीता का अभिशाप और समझने योग्य परिणामों की आवश्यकता क्यूबग्रेड समस्या का एक कुशल और मापनीय समाधान खोजने के लिए गंभीर चुनौतियां हैं। यह क्यूबग्रेड समस्या का सीमित लेकिन दिलचस्प संस्करण हो सकता है, जिसे विवश बहुआयामी ढाल विश्लेषण कहा जाता है। यह खोज स्थान को कम कर सकता है और दिलचस्प परिणाम प्राप्त क

डेटा सामान्यीकरण उच्च-स्तरीय अवधारणाओं (जैसे युवा, मध्यम आयु वर्ग और वरिष्ठ) के साथ अपेक्षाकृत निम्न-स्तरीय मानों (जैसे एक विशेषता आयु के लिए संख्यात्मक मान) को प्रतिस्थापित करके डेटा को सारांशित करता है। डेटाबेस में सहेजे गए डेटा की उच्च मात्रा को देखते हुए, अमूर्तता के सामान्यीकृत (निम्न के बजाय)

AOI का मतलब विशेषता-उन्मुख प्रेरण है। अवधारणा विवरण के लिए विशेषता-उन्मुख प्रेरण दृष्टिकोण पहली बार 1989 में डेटा क्यूब दृष्टिकोण की शुरुआत से कुछ साल पहले प्रस्तावित किया गया था। डेटा क्यूब दृष्टिकोण अनिवार्य रूप से डेटा के भौतिक विचारों पर आधारित होता है, जिसे आमतौर पर डेटा वेयरहाउस में पूर्व-गणना

विशेषता सामान्यीकरण निम्नलिखित नियम पर निर्भर करता है:यदि मूल कार्य संबंध में एक विशेषता के लिए अलग-अलग मूल्यों का एक विशाल संग्रह है, और विशेषता पर सामान्यीकरण ऑपरेटरों का एक समूह मौजूद है, इस प्रकार एक सामान्यीकरण ऑपरेटर को चुना जाना चाहिए और विशेषता के लिए उपयोग किया जाना चाहिए । यह नियम निम्नलि

वर्ग भेदभाव या तुलना खान लक्षण वर्णन जो एक लक्षित वर्ग को उसके विपरीत वर्गों से वर्गीकृत करता है। लक्ष्य और विपरीत वर्ग तुलनीय होने चाहिए बशर्ते वे समान आयाम और विशेषताओं को साझा करें। उदाहरण के लिए, तीन वर्ग, व्यक्ति, पता और तत्व तुलनीय नहीं हैं। लेकिन पिछले तीन वर्षों में बिक्री तुलनीय वर्ग हैं, औ

फ़्रीक्वेंट पैटर्न माइनिंग के कई मानदंड हैं जो इस प्रकार हैं - खनन किए जाने वाले पैटर्न की पूर्णता के आधार पर - यह न्यूनतम समर्थन सीमा प्रदान करते हुए, लगातार आइटमसेट, बंद बार-बार आइटमसेट, और अधिकतम बारंबार आइटमसेट के पूरे संग्रह को माइन कर सकता है। यह विवश लगातार आइटमसेट को भी निकाल सकता है (यह उ

अप्रियोरी 1994 में आर अग्रवाल और आर श्रीकांत द्वारा विकसित एक मौलिक एल्गोरिदम है जो बूलियन एसोसिएशन नियमों के लिए लगातार आइटमसेट बनाता है। एल्गोरिथ्म इस मामले पर निर्भर करता है कि एल्गोरिथ्म को लगातार आइटमसेट गुणों के पिछले ज्ञान की आवश्यकता होती है। Apriori स्तर-वार खोज नामक एक पुनरावृत्त विधि का

वेब माइनिंग डेटा माइनिंग तकनीकों का उपयोग करने की प्रक्रिया को परिभाषित करता है, जो वेब-आधारित रिकॉर्ड्स और सेवाओं, सर्वर लॉग्स, सर्वर लॉग्स, और हाइपरलिंक। वेब माइनिंग का उद्देश्य महत्वपूर्ण अंतर्दृष्टि प्राप्त करने के लिए डेटा को समूहीकृत और विश्लेषण करके वेब जानकारी में डिज़ाइन की खोज करना है। वे

स्थानिक डेटा माइनिंग स्थानिक मॉडल के लिए डेटा माइनिंग का अनुप्रयोग है। स्थानिक डेटा माइनिंग में, विश्लेषक भौगोलिक या स्थानिक डेटा का उपयोग व्यावसायिक खुफिया या अलग-अलग परिणाम बनाने के लिए करते हैं। भौगोलिक डेटा को प्रासंगिक और लाभकारी स्वरूपों में लाने के लिए इसके लिए विशिष्ट विधियों और संसाधनों की

क्लस्टर विश्लेषण आंकड़ों की एक शाखा है जिसका कई वर्षों से व्यापक रूप से अध्ययन किया गया है। इस तकनीक का उपयोग करने का लाभ यह है कि किसी भी पृष्ठभूमि ज्ञान, जैसे कि अवधारणा पदानुक्रम का उपयोग किए बिना दिलचस्प संरचनाओं या समूहों को सीधे डेटा से खोजा जा सकता है। PAM या CLARA जैसे आंकड़ों में उपयोग किए

अस्थायी डेटा खनन अस्थायी डेटा के बड़े सेट से गैर-तुच्छ, निहित और संभावित रूप से आवश्यक डेटा के निष्कर्षण की प्रक्रिया को परिभाषित करता है। अस्थायी डेटा प्राथमिक डेटा प्रकारों की एक श्रृंखला है, आम तौर पर संख्यात्मक मान, और यह अस्थायी डेटा से लाभकारी ज्ञान एकत्र करने से संबंधित है। अस्थायी डेटा माइन

प्रवृत्ति विश्लेषण एक समय श्रृंखला में व्यवहार के एक मॉडल को निकालने के लिए तकनीकों को परिभाषित करता है जो शोर से थोड़ा या पूरी तरह छुपाया जा सकता है। प्रवृत्ति विश्लेषण के तरीकों का इस्तेमाल आम तौर पर प्रकोपों ​​​​का पता लगाने और बीमारी की उपस्थिति में अप्रत्याशित वृद्धि या कमी, बीमारियों के रुझानो

विशेषता सबसेट चयन अप्रासंगिक या अनावश्यक विशेषताओं (या आयाम) को हटाकर डेटा सेट आकार को कम करता है। विशेषता उपसमुच्चय चयन का उद्देश्य विशेषताओं के न्यूनतम सेट की खोज करना है जैसे कि डेटा वर्गों का बाद का संभाव्यता वितरण सभी विशेषताओं का उपयोग करके प्राप्त मूल वितरण के जितना संभव हो उतना करीब है। n व

उपयोगिता इस तथ्य में निहित है कि तरंगिका रूपांतरित डेटा को सीमित किया जा सकता है। वेवलेट गुणांकों के मूलधन के केवल एक छोटे से अंश को बचाकर सूचना के संकुचित सन्निकटन को बनाए रखा जा सकता है। उदाहरण के लिए, कुछ उपयोगकर्ता-परिभाषित थ्रेशोल्ड से अधिक सभी तरंगिका गुणांक बनाए रखा जा सकता है। कुछ अन्य गुणां

एन्ट्रॉपी-आधारित विवेकीकरण एक पर्यवेक्षित, ऊपर से नीचे की ओर बंटवारा करने का तरीका है। यह विभाजन-बिंदुओं की गणना और संरक्षण में वर्ग वितरण डेटा की खोज करता है (एक विशेषता श्रेणी को अलग करने के लिए डेटा मान)। यह एक सांख्यिकीय विशेषता का विवेक कर सकता है, ए, विधि ए के मान का चयन करती है जिसमें विभाजन-

उपायों को तीन तत्वों में व्यवस्थित किया जा सकता है, जिसमें वितरणात्मक, बीजीय और समग्र शामिल हैं। यह उपयोग किए गए कुल कार्यों के प्रकार पर निर्भर करता है। वितरक - एक समुच्चय फलन वितरणात्मक होता है यदि इसकी गणना निम्न प्रकार से की जा सकती है। विचार करें कि डेटा n सेटों में स्वतंत्र हैं। यह प्रत्येक व

डेटा वेयरहाउसिंग एक ऐसा दृष्टिकोण है जो व्यवसाय को एक महत्वपूर्ण व्यावसायिक अंतर्दृष्टि प्रदान करने के लिए कई स्रोतों से डेटा एकत्र और संभाल सकता है। एक डेटा वेयरहाउस विशेष रूप से समर्थन प्रबंधन निर्णयों के लक्ष्यों के लिए बनाया गया है। सरल शब्दों में, डेटा वेयरहाउस एक डेटाबेस को परिभाषित करता है ज

डेटा वेयरहाउसिंग एक दृष्टिकोण है जो व्यवसाय को एक सार्थक व्यावसायिक अंतर्दृष्टि प्रदान करने के लिए कई स्रोतों से डेटा एकत्र और संभाल सकता है। डेटा वेयरहाउस विशेष रूप से प्रबंधन निर्णयों का समर्थन करने के लिए डिज़ाइन किया गया है। सरल शब्दों में, डेटा वेयरहाउस एक डेटाबेस को परिभाषित करता है जिसे किसी

बैकअप और पुनर्प्राप्ति एक हानि की विधि में रिकॉर्ड का बैकअप लेने की प्रक्रिया को परिभाषित करता है और सिस्टम स्थापित करता है जो डेटा हानि के कारण डेटा पुनर्प्राप्ति को सक्षम करता है। डेटा का बैकअप लेने के लिए कंप्यूटर की जानकारी को कॉपी और संग्रहीत करना आवश्यक है, ताकि यह डेटा हटाने या भ्रष्टाचार के