ROC,रिसीवर ऑपरेटिंग विशेषता के लिए खड़ा है। आरओसी वक्र दो वर्गीकरण मॉडल के विश्लेषण के लिए एक सुविधाजनक दृश्य उपकरण हैं। आरओसी वक्र सिग्नल डिटेक्शन थ्योरी से प्रकट होते हैं जो द्वितीय विश्व युद्ध के दौरान रडार छवियों की खोज के लिए तैयार किया गया था। एक आरओसी वक्र किसी दिए गए मॉडल के लिए वास्तविक सक

अंतराल-स्केल किए गए चर लगभग रैखिक पैमाने के निरंतर डेटा हैं। एक उदाहरण जैसे वजन और ऊंचाई, अक्षांश और देशांतर निर्देशांक (जैसे, घरों को क्लस्टर करते समय), और मौसम का तापमान। उपयोग की जाने वाली माप इकाई क्लस्टरिंग विश्लेषण को प्रभावित कर सकती है। उदाहरण के लिए, ऊंचाई के लिए मीटर से इंच में या वजन के

एक द्विआधारी चर में केवल दो अवस्थाएँ होती हैं जैसे कि 0 या 1, जहाँ 0 परिभाषित करता है कि चर अनुपस्थित है, और 1 परिभाषित करता है कि यह मौजूद है। एक रोगी को परिभाषित करने वाले चर धूम्रपान करने वाले को देखते हुए, उदाहरण के लिए, 1 यह दर्शाता है कि रोगी धूम्रपान करता है, जबकि 0 यह दर्शाता है कि रोगी नहीं

k- साधन एल्गोरिथ्म इनपुट पैरामीटर, k बनाता है, और n वस्तुओं के समूह को k समूहों में विभाजित करता है ताकि परिणामी इंट्राक्लस्टर समानता बड़ी हो लेकिन इंटरक्लस्टर सादृश्य कम हो। क्लस्टर समानता की गणना क्लस्टर में वस्तुओं के औसत मूल्य के संबंध में की जाती है, जिसे क्लस्टर के केंद्रक या गुरुत्वाकर्षण के

ROCK,लिंक का उपयोग करके मजबूत क्लस्टरिंग के लिए खड़ा है। यह एक पदानुक्रमित क्लस्टरिंग एल्गोरिथ्म है जो श्रेणीबद्ध विशेषताओं वाले डेटा के लिए लिंक की अवधारणा (दो वस्तुओं के बीच आम पड़ोसियों की संख्या) का विश्लेषण करता है। यह प्रदर्शित करता है कि श्रेणीबद्ध जानकारी को क्लस्टर करते समय इस तरह की दूरी क

DBSCAN का मतलब शोर के साथ अनुप्रयोगों के घनत्व-आधारित स्थानिक क्लस्टरिंग है। यह एक घनत्व आधारित क्लस्टरिंग एल्गोरिथम है। एल्गोरिथ्म पर्याप्त रूप से उच्च घनत्व वाले क्षेत्रों को समूहों में बढ़ाता है और शोर के साथ स्थानिक डेटाबेस में मनमानी वास्तुकला के समूहों को ढूंढता है। यह घनत्व से जुड़े बिंदुओं क

क्लस्टरिंग ज्ञान की खोज के लिए महत्वपूर्ण डेटा माइनिंग दृष्टिकोण है। क्लस्टरिंग एक खोजपूर्ण डेटा विश्लेषण विधि है जो कई डेटा ऑब्जेक्ट को एक ही समूह में वर्गीकृत करती है, जैसे कि क्लस्टर। DENCLUE घनत्व-आधारित क्लस्टरिंग का प्रतिनिधित्व करता है। यह एक क्लस्टरिंग दृष्टिकोण है जो घनत्व वितरण कार्यों के

STING का मतलब सांख्यिकीय सूचना ग्रिड है। STING एक ग्रिड-आधारित बहु-रिज़ॉल्यूशन क्लस्टरिंग विधि है जिसमें स्थानिक क्षेत्र को आयताकार कोशिकाओं में विभाजित किया जाता है। ऐसे आयताकार कोशिकाओं के कई तरीके हैं जो संकल्प के कई तरीकों के बराबर हैं, और ये कोशिकाएं एक पदानुक्रमित संरचना बनाती हैं, उच्च स्तर प

भोले दृष्टिकोण में, यह लगातार आइटमसेट के पूरे सेट को माइन कर सकता है और फिर प्रत्येक बार-बार आइटमसेट को हटा सकता है जो कि एक उचित सबसेट है, और एक समान समर्थन देता है, जैसा कि एक वर्तमान लगातार आइटमसेट है। यह विधि 2100 . प्राप्त कर सकती है −1 बार-बार आइटमसेट लंबाई -100 बार-बार आइटमसेट प्राप्त करने क

एसोसिएशन रूल क्लस्टरिंग सिस्टम में निम्नलिखित चरण शामिल हैं जो इस प्रकार हैं - बिनिंग - मात्रात्मक विशेषताओं में उनके डोमेन का प्रतिनिधित्व करने वाले मूल्यों की एक विस्तृत श्रृंखला हो सकती है। यह सोच सकता है कि 2-डी ग्रिड कितना बड़ा होगा यदि यह आयु और आय को कुल्हाड़ियों के रूप में प्लॉट कर सकता है,

एक डेटा माइनिंग प्रक्रिया दी गई जानकारी के सेट से हजारों नियमों को उजागर कर सकती है, जिनमें से अधिकांश उपयोगकर्ताओं के लिए स्वतंत्र या थकाऊ होते हैं। उपयोगकर्ताओं को इस बात की सबसे अच्छी समझ है कि खनन की दिशा दिलचस्प पैटर्न और पैटर्न या नियमों के रूप को जन्म दे सकती है, जिन्हें वे खोजना पसंद कर सकते

डेटा माइनिंग सांख्यिकीय और गणितीय तकनीकों सहित पैटर्न पहचान तकनीकों का उपयोग करके, रिपॉजिटरी में सहेजे गए डेटा की एक उच्च मात्रा के माध्यम से उपयोगी नए सहसंबंध, पैटर्न और प्रवृत्तियों को खोजने की प्रक्रिया है। यह अनपेक्षित संबंधों की खोज करने के लिए तथ्यात्मक डेटासेट का विश्लेषण है और डेटा स्वामी के

नियम बाधाओं को निम्नलिखित पांच तत्वों में वर्गीकृत किया जा सकता है जो इस प्रकार हैं - एंटीमोनोटोनिक - बाधाओं का पहला तत्व एंटीमोनोटोनिक है। नियम की कमी पर विचार करें योग (I.price) 100। विचार करें कि यह एप्रीओरी ढांचे का उपयोग कर रहा है, जो प्रत्येक पुनरावृत्ति पर k आकार के आइटमसेट का विश्लेषण करता

वर्गीकरण एक डेटा-खनन दृष्टिकोण है जो अधिक कुशल भविष्यवाणियों और विश्लेषण में सहायता के लिए डेटा के एक सेट को तत्व प्रदान करता है। वर्गीकरण का उपयोग आम तौर पर तब किया जाता है जब दो लक्ष्य वर्ग होते हैं जिन्हें द्विआधारी वर्गीकरण के रूप में जाना जाता है। जब दो से अधिक वर्गों की भविष्यवाणी की जा सकती

डिसीजन ट्री इंडक्शन क्लास-लेबल ट्रेनिंग टुपल्स से डिसीजन ट्री की सीख है। एक निर्णय वृक्ष एक अनुक्रमिक आरेख-जैसी वृक्ष संरचना है, जहां प्रत्येक आंतरिक नोड (गैर-पत्ती नोड) एक विशेषता पर एक परीक्षण इंगित करता है, प्रत्येक शाखा परीक्षण के परिणाम को परिभाषित करती है, और प्रत्येक पत्ता नोड (या टर्मिनल नोड

एक विशेषता चयन माप विभाजन परीक्षण को चुनने के लिए एक अनुमानी है जो सर्वश्रेष्ठ वर्ग-लेबल प्रशिक्षण टुपल्स के दिए गए डेटा विभाजन, डी को एकल कक्षाओं में अलग करता है। यदि यह विभाजन मानदंड के परिणामों के अनुसार डी को छोटे विभाजनों में विभाजित कर सकता है, तो आदर्श रूप से प्रत्येक विभाजन शुद्ध हो सकता है

बायेसियन क्लासिफायर सांख्यिकीय क्लासिफायरियर हैं। वे वर्ग सदस्यता संभावनाओं की भविष्यवाणी कर सकते हैं, जिसमें संभावना भी शामिल है कि दिया गया नमूना एक विशिष्ट वर्ग से संबंधित है। बायेसियन क्लासिफायर ने उच्च डेटाबेस होने पर भी बड़ी दक्षता और गति प्रदर्शित की है। एक बार वर्गों को परिभाषित करने के बाद

बैकप्रोपेगेशन पूरी प्रक्रिया को परिभाषित करता है जिसमें ग्रेडिएंट की गणना और स्टोकेस्टिक ग्रेडिएंट डिसेंट में इसकी आवश्यकता दोनों शामिल हैं। तकनीकी रूप से, बैकप्रॉपैगेशन का उपयोग नेटवर्क के परिवर्तनशील भार के संबंध में नेटवर्क की त्रुटि के ग्रेडिएंट की गणना करने के लिए किया जाता है। बैकप्रोपेगेशन क

डेटा वेयरहाउसिंग एक ऐसा दृष्टिकोण है जो व्यवसाय को एक महत्वपूर्ण व्यावसायिक अंतर्दृष्टि का समर्थन करने के लिए कई स्रोतों से जानकारी एकत्र और प्रबंधित कर सकता है। एक डेटा वेयरहाउस विशेष रूप से समर्थन प्रबंधन निर्णयों के लक्ष्यों के लिए बनाया गया है। एक डेटा वेयरहाउस एक डेटाबेस को परिभाषित करता है जि

डिस्कवरी-संचालित अन्वेषण एक ऐसा घन अन्वेषण दृष्टिकोण है। खोज-संचालित अन्वेषण में, डेटा अपवादों को इंगित करने वाले पूर्व-गणना उपायों का उपयोग डेटा विश्लेषण प्रक्रिया में उपयोगकर्ता को एकत्रीकरण के सभी स्तरों पर मार्गदर्शन करने के लिए किया जाता है। यह इन उपायों को अपवाद संकेतक के रूप में संदर्भित करता