ROC का अर्थ है Receiver Operating Characteristic (रिसीवर ऑपरेटिंग विशेषता)। ROC वक्र दो वर्गीकरण मॉडल का विश्लेषण करने के लिए एक सुविधाजनक दृश्य उपकरण हैं। ROC वक्र द्वितीय विश्व युद्ध के दौरान रडार छवियों की खोज के लिए विकसित सिग्नल डिटेक्शन सिद्धांत से उत्पन्न हुए हैं। एक ROC वक्र दिए गए मॉडल के ल

अंतराल-मापित चर लगभग रैखिक पैमाने के निरंतर डेटा हैं। उदाहरण जैसे वजन और ऊंचाई, अक्षांश और देशांतर निर्देशांक (उदाहरण के लिए, जब घरों को क्लस्टर करते हैं), और मौसम का तापमान। उपयोग की गई माप इकाई क्लस्टरिंग विश्लेषण को प्रभावित कर सकती है। उदाहरण के लिए, ऊंचाई के लिए मीटर से इंच में डेटा इकाइयों को

एक बाइनरी चर की केवल दो अवस्थाएं होती हैं जैसे 0 या 1, जहां 0 दर्शाता है कि चर अनुपस्थित है, और 1 दर्शाता है कि यह मौजूद है। उदाहरण के लिए, एक रोगी को परिभाषित करने वाले धूम्रपान करने वाले चर को देखते हुए, 1 दर्शाता है कि रोगी धूम्रपान करता है, जबकि 0 दर्शाता है कि रोगी नहीं करता है। बाइनरी चर को अं

k-मीन्स एल्गोरिदम इनपुट पैरामीटर, k, बनाता है और n ऑब्जेक्ट्स के एक समूह को k क्लस्टर्स में विभाजित करता है ताकि परिणामी इंट्राक्लस्टर समानता बड़ी हो लेकिन इंटरक्लस्टर समानता कम हो। क्लस्टर समानता की गणना एक क्लस्टर में ऑब्जेक्ट्स के माध्य मूल्य के संबंध में की जाती है, जिसे क्लस्टर के सेंट्रॉइड या

ROCK का अर्थ है Robust Clustering using links (लिंक्स का उपयोग करके मजबूत क्लस्टरिंग)। यह एक पदानुक्रमित क्लस्टरिंग एल्गोरिदम है जो श्रेणीबद्ध विशेषताओं वाले डेटा के लिए लिंक्स की अवधारणा (दो ऑब्जेक्ट्स के बीच सामान्य पड़ोसियों की संख्या) का विश्लेषण करता है। यह दर्शाता है कि ऐसी दूरी डेटा श्रेणीबद्

DBSCAN का अर्थ है Density-Based Spatial Clustering of Applications with Noise (शोर के साथ अनुप्रयोगों का घनत्व-आधारित स्थानिक क्लस्टरिंग)। यह एक घनत्व-आधारित क्लस्टरिंग एल्गोरिदम है। एल्गोरिदम पर्याप्त उच्च घनत्व वाले क्षेत्रों को क्लस्टर्स में बढ़ाता है और शोर के साथ स्थानिक डेटाबेस में मनमाने आर्क

क्लस्टरिंग ज्ञान खोज के लिए महत्वपूर्ण डेटा माइनिंग दृष्टिकोण है। क्लस्टरिंग एक खोजपूर्ण डेटा विश्लेषण विधि है जो कई डेटा ऑब्जेक्ट्स को समान समूहों में वर्गीकृत करती है, जैसे क्लस्टर्स। DENCLUE घनत्व-आधारित क्लस्टरिंग का प्रतिनिधित्व करता है। यह घनत्व वितरण कार्यों के एक समूह पर आधारित एक क्लस्टरिंग

STING का अर्थ है Statistical Information Grid (सांख्यिकीय सूचना ग्रिड)। STING एक ग्रिड-आधारित बहु-रिज़ॉल्यूशन क्लस्टरिंग विधि है जिसमें स्थानिक क्षेत्र को आयताकार सेल्स में विभाजित किया जाता है। ऐसे आयताकार सेल्स के कई स्तर कई रिज़ॉल्यूशन स्तरों के बराबर होते हैं, और ये सेल्स एक पदानुक्रमित संरचना ब

सामान्य दृष्टिकोण में, यह लगातार आइटमसेट का पूरा सेट माइन कर सकता है और फिर प्रत्येक लगातार आइटमसेट को हटा सकता है जो एक वर्तमान लगातार आइटमसेट का उचित उपसमुच्चय है, और समान समर्थन देता है। यह विधि एक लंबाई-100 लगातार आइटमसेट प्राप्त करने के लिए 2100−1 लगातार आइटमसेट प्राप्त कर सकती है, इससे पहले कि

एसोसिएशन नियम क्लस्टरिंग सिस्टम में निम्नलिखित चरण शामिल हैं जो इस प्रकार हैं - बिनिंग - मात्रात्मक विशेषताओं के पास उनके डोमेन का प्रतिनिधित्व करने वाले मूल्यों की एक विस्तृत श्रृंखला हो सकती है। यह सोचें कि 2-D ग्रिड कितना बड़ा होगा यदि यह उम्र और आय को अक्ष के रूप में प्लॉट करता है, जहां उम्र का

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 साबित होते हैं। उपयोगकर्ताओं को इस बात का बेहतर अहसास होता है कि खनन की कौन सी दिशा दिलचस्प पैटर्न की ओर ले जा सकती है और वे पैटर्न या नियमों का कौन सा रूप खोजन

डेटा माइनिंग रिपॉजिटरी में संग्रहीत बड़ी मात्रा में डेटा के माध्यम से पैटर्न पहचान प्रौद्योगिकियों का उपयोग करके उपयोगी नए सहसंबंधों, पैटर्नों, और प्रवृत्तियों को खोजने की प्रक्रिया है, जिसमें सांख्यिकीय और गणितीय तकनीकें शामिल हैं। यह तथ्यात्मक डेटासेट का विश्लेषण है ताकि अनपेक्षित संबंधों की खोज क

नियम बाधाओं को निम्नलिखित पांच तत्वों में वर्गीकृत किया जा सकता है जो इस प्रकार हैं - प्रतिअनुक्रमिक - बाधाओं का पहला तत्व प्रतिअनुक्रमिक है। नियम बाधा sum (I.price) ≤ 100 पर विचार करें। मान लें कि यह Apriori फ्रेमवर्क का उपयोग कर रहा है, जो प्रत्येक पुनरावृत्ति k पर आकार k के आइटमसेट का विश्लेषण कर

वर्गीकरण एक डेटा-माइनिंग दृष्टिकोण है जो अधिक कुशल भविष्यवाणियों और विश्लेषण में सहायता के लिए डेटा के एक सेट को तत्वों को निर्दिष्ट करता है। वर्गीकरण आमतौर पर तब उपयोग किया जाता है जब दो लक्ष्य कक्षाएं होती हैं जिन्हें बाइनरी वर्गीकरण के रूप में जाना जाता है। जब दो से अधिक कक्षाओं की भविष्यवाणी की

निर्णय वृक्ष प्रवर्तन क्लास-लेबल वाले प्रशिक्षण टुपल्स से निर्णय वृक्षों का सीखना है। एक निर्णय वृक्ष एक अनुक्रमिक आरेख-जैसी वृक्ष संरचना है, जहां प्रत्येक आंतरिक नोड (गैर-लीफ नोड) एक विशेषता पर एक परीक्षण इंगित करता है, प्रत्येक शाखा परीक्षण का परिणाम परिभाषित करती है, और प्रत्येक लीफ नोड (या टर्मि

एक विशेषता चयन उपाय एक अनुमानी है जो उस विभाजन परीक्षण को चुनने के लिए है जो क्लास-लेबल वाले प्रशिक्षण टुपल्स के दिए गए डेटा विभाजन, D, को एकल कक्षाओं में सबसे अच्छा अलग करता है। यदि यह विभाजन मानदंड के परिणामों के अनुसार D को छोटे विभाजनों में विभाजित कर सकता है, तो आदर्श रूप से प्रत्येक विभाजन शुद

बेयसियन वर्गीकरणकर्ता सांख्यिकीय वर्गीकरणकर्ता हैं। वे क्लास सदस्यता संभावनाओं की भविष्यवाणी कर सकते हैं, जिसमें यह संभावना शामिल है कि दिया गया नमूना किसी विशिष्ट क्लास से संबंधित है। बेयसियन वर्गीकरणकर्ताओं ने उच्च डेटाबेस होने पर भी बड़ी दक्षता और गति दिखाई है। एक बार कक्षाएं परिभाषित हो जाने के

बैकप्रोपेगेशन पूरी प्रक्रिया को परिभाषित करता है जिसमें ग्रेडिएंट की गणना और स्टोकेस्टिक ग्रेडिएंट डिसेंट में इसकी आवश्यकता दोनों शामिल हैं। तकनीकी रूप से, बैकप्रोपेगेशन का उपयोग नेटवर्क के संशोधन योग्य वजन के संबंध में नेटवर्क की त्रुटि के ग्रेडिएंट की गणना के लिए किया जाता है। बैकप्रोपेगेशन की विश

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

खोज-संचालित अन्वेषण एक ऐसा क्यूब अन्वेषण दृष्टिकोण है। खोज-संचालित अन्वेषण में, पूर्व-गणना किए गए माप जो डेटा अपवादों को इंगित करते हैं, सभी एकत्रीकरण स्तरों पर डेटा विश्लेषण प्रक्रिया में उपयोगकर्ता का मार्गदर्शन करने के लिए उपयोग किए जाते हैं। इन्हें अपवाद संकेतक के रूप में संदर्भित किया जाता है।