डेटा विसंगतियों को पहचानने में सहायता के लिए तीन मापों का उपयोग अपवाद संकेतक के रूप में किया जाता है। ये माप उस आश्चर्य की डिग्री को दर्शाते हैं जो एक सेल में मात्रा प्रभावित करती है, इसके अपेक्षित मूल्य के संबंध में। मापों की गणना की जाती है और सभी एकत्रीकरण स्तरों के लिए प्रत्येक सेल से जुड़े होते

आयामीता का अभिशाप और समझने योग्य परिणामों की आवश्यकता क्यूबग्रेड समस्या के लिए एक कुशल और स्केलेबल समाधान खोजने के लिए गंभीर चुनौतियां पेश करती है। यह क्यूबग्रेड समस्या का एक सीमित लेकिन दिलचस्प संस्करण है, जिसे बाधित बहुआयामी ग्रेडिएंट विश्लेषण कहा जाता है। यह खोज स्थान को कम करता है और दिलचस्प परि

डेटा सामान्यीकरण अपेक्षाकृत निम्न-स्तरीय मूल्यों (जैसे उम्र विशेषता के लिए संख्यात्मक मूल्य) को उच्च-स्तरीय अवधारणाओं (जैसे युवा, मध्यम आयु, और वरिष्ठ) से प्रतिस्थापित करके डेटा को सारांशित करता है। डेटाबेस में संग्रहीत बड़ी मात्रा में डेटा को देखते हुए, संक्षिप्त और स्पष्ट शब्दों में सामान्यीकृत (न

AOI का अर्थ है Attribute-Oriented Induction (विशेषता-उन्मुख प्रवर्तन)। अवधारणा विवरण के लिए विशेषता-उन्मुख प्रवर्तन दृष्टिकोण पहली बार 1989 में प्रस्तावित किया गया था, डेटा क्यूब दृष्टिकोण की शुरूआत से कुछ साल पहले। डेटा क्यूब दृष्टिकोण अनिवार्य रूप से डेटा के भौतिक विचारों पर आधारित है, जिसे आमतौर

विशेषता सामान्यीकरण निम्नलिखित नियम पर निर्भर करता है: यदि मूल कार्य संबंध में किसी विशेषता के लिए विशिष्ट मूल्यों का एक बड़ा संग्रह है, और उस विशेषता पर सामान्यीकरण ऑपरेटरों का एक समूह मौजूद है, तो एक सामान्यीकरण ऑपरेटर चुना जाना चाहिए और विशेषता पर उपयोग किया जाना चाहिए। यह नियम निम्नलिखित तर्क पर

क्लास भेदभाव या तुलना उन लक्षणों का खनन करती है जो एक लक्ष्य वर्ग को उसके विपरीत वर्गों से वर्गीकृत करते हैं। लक्ष्य और विपरीत वर्ग तुलनीय होने चाहिए, बशर्ते वे समान आयाम और विशेषताएँ साझा करते हों। उदाहरण के लिए, तीन वर्ग - व्यक्ति, पता, और तत्व - तुलनीय नहीं हैं। लेकिन पिछले तीन वर्षों की बिक्री त

लगातार पैटर्न माइनिंग के कई मानदंड हैं जो निम्नलिखित हैं:माइन किए जाने वाले पैटर्न की पूर्णता के आधार पर - यह न्यूनतम समर्थन थ्रेशोल्ड दिए जाने पर लगातार आइटमसेट्स का पूरा संग्रह, बंद लगातार आइटमसेट्स, और अधिकतम लगातार आइटमसेट्स को माइन कर सकता है।यह बाधित लगातार आइटमसेट्स (यह उपयोगकर्ता-परिभाषित बा

एप्रोरी 1994 में R. अग्रवाल और R. श्रीकांत द्वारा विकसित एक मौलिक एल्गोरिदम है जो बूलियन एसोसिएशन नियमों के लिए लगातार आइटमसेट्स के खनन के लिए है। एल्गोरिदम इस मामले पर निर्भर करता है कि एल्गोरिदम को लगातार आइटमसेट गुणों का पूर्व ज्ञान चाहिए।एप्रोरी एक पुनरावृत्त विधि का उपयोग करता है जिसे लेवल-वाइज

वेब माइनिंग वेब-आधारित रिकॉर्ड्स और सेवाओं, सर्वर लॉग्स, और हाइपरलिंक्स से निपटने के द्वारा, आमतौर पर वेब की मदद से डेटा माइनिंग तकनीकों का उपयोग करके लाभकारी पैटर्न, प्रवृत्तियों और डेटा को निकालने की प्रक्रिया को परिभाषित करता है। वेब माइनिंग वेब जानकारी में डिज़ाइन की खोज करने के लिए डेटा को समूह

स्थानिक डेटा माइनिंग स्थानिक मॉडल पर डेटा माइनिंग का अनुप्रयोग है। स्थानिक डेटा माइनिंग में, विश्लेषक भौगोलिक या स्थानिक डेटा का उपयोग व्यावसायिक इंटेलिजेंस या विभिन्न परिणाम बनाने के लिए करते हैं। इसके लिए भौगोलिक डेटा को प्रासंगिक और लाभकारी प्रारूपों में प्राप्त करने के लिए विशिष्ट विधियों और संस

क्लस्टर विश्लेषण सांख्यिकी की एक शाखा है जिसका कई वर्षों से व्यापक अध्ययन किया गया है। इस तकनीक का लाभ यह है कि किसी भी पृष्ठभूमि ज्ञान, जैसे अवधारणा पदानुक्रम का उपयोग किए बिना, डेटा से सीधे दिलचस्प संरचनाएं या क्लस्टर खोजे जा सकते हैं। सांख्यिकी में उपयोग किए जाने वाले क्लस्टरिंग एल्गोरिदम, जैसे

टेम्पोरल डेटा माइनिंग बड़े टेम्पोरल डेटा के सेट से गैर-तुच्छ, निहित, और संभावित रूप से आवश्यक डेटा के निष्कर्षण की प्रक्रिया को परिभाषित करता है। टेम्पोरल डेटा प्राथमिक डेटा प्रकारों की एक श्रृंखला है, आमतौर पर संख्यात्मक मूल्य, और यह टेम्पोरल डेटा से लाभकारी ज्ञान एकत्र करने से संबंधित है। टेम्पोर

रुझान विश्लेषण एक समय श्रृंखला में व्यवहार के मॉडल को निकालने की तकनीकों को परिभाषित करता है जो शोर द्वारा थोड़ा या पूरी तरह से छिपा हो सकता है। रुझान विश्लेषण के तरीकों का उपयोग आमतौर पर प्रकोपों और बीमारी की उपस्थिति में अप्रत्याशित वृद्धि या कमी का पता लगाने, बीमारियों के रुझानों की निगरानी, रोग

विशेषता उपसमुच्चय चयन अप्रासंगिक या अनावश्यक विशेषताओं (या आयामों) को हटाकर डेटा सेट का आकार कम करता है। विशेषता उपसमुच्चय चयन का उद्देश्य विशेषताओं का एक न्यूनतम सेट खोजना है ताकि डेटा वर्गों का बाद का संभाव्यता वितरण मूल वितरण के जितना संभव हो उतना करीब हो जो सभी विशेषताओं का उपयोग करके प्राप्त कि

उपयोगिता इस तथ्य में निहित है कि वेवलेट रूपांतरित डेटा को सीमित किया जा सकता है। जानकारी का एक संपीड़ित सन्निकटन केवल वेवलेट गुणांकों के एक छोटे से अंश को सहेजकर बनाए रखा जा सकता है। उदाहरण के लिए, कुछ उपयोगकर्ता-परिभाषित थ्रेशोल्ड से अधिक सभी वेवलेट गुणांकों को बनाए रखा जा सकता है। कुछ अन्य गुणांको

एन्ट्रॉपी-आधारित विवेकीकरण एक सुपरवाइज्ड, टॉप-डाउन विभाजन दृष्टिकोण है। यह अपने गणना और विभाजन-बिंदुओं (विशेषता रेंज को अलग करने के लिए डेटा मान) के संरक्षण में वर्ग वितरण डेटा का पता लगाता है। यह एक सांख्यिकीय विशेषता, A, को विवेकपूर्ण कर सकता है, विधि A के उस मान को चुनती है जिसमें न्यूनतम एन्ट्रॉ

माप को उपयोग किए गए एग्रीगेट फ़ंक्शन के प्रकार के आधार पर तीन तत्वों में व्यवस्थित किया जा सकता है: वितरणीय (distributive), बीजगणितीय (algebraic), और समग्र (holistic)। माप के प्रकार वितरणीय (Distributive) एक एग्रीगेट फ़ंक्शन वितरणीय है यदि इसकी गणना वितरित तरीके से की जा सकती है। मान लीजिए डेटा को

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

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

बैकअप और रिकवरी डेटा हानि की स्थिति में रिकॉर्ड का बैकअप लेने की प्रक्रिया और उन प्रणालियों को स्थापित करने को परिभाषित करती है जो डेटा हानि के कारण डेटा रिकवरी को सक्षम करती हैं। डेटा का बैकअप लेने के लिए कंप्यूटर जानकारी की प्रतिलिपि बनाने और संग्रहीत करने की आवश्यकता होती है, ताकि यह डेटा हटाने य