संरेखण इस तथ्य पर निर्भर करता है कि सभी जीवित जीव विकास द्वारा जुड़े हुए हैं। यह उपयोग करता है कि न्यूक्लियोटाइड (DNA, RNA) और प्रोटीन श्रृंखलाएं उन प्रजातियों की जो विकास में एक-दूसरे के करीब हैं, उच्च समानताएं प्रदर्शित करनी चाहिए। एक संरेखण अनुक्रमों को अधिकतम पहचान स्तर प्राप्त करने के लिए पंक्त

BLAST एल्गोरिदम को अल्टशुल, गिश, मिलर द्वारा लगभग 1990 में नेशनल सेंटर फॉर बायोटेक्नोलॉजी इंफॉर्मेशन (NCBI) में विकसित किया गया था। BLAST का उपयोग अनुक्रमों के बीच कार्यात्मक और विकासवादी संबंधों को प्राप्त करने और जीन परिवारों के सदस्यों को पहचानने में मदद करने के लिए किया जाता है। NCBI वेबसाइट में

टुपल ID प्रसार वर्चुअल जॉइन लागू करने का एक दृष्टिकोण है, जो बहु-संबंधी वर्गीकरण की प्रभावशीलता को अत्यधिक सुधारता है। संबंधों को भौतिक रूप से जोड़ने के बजाय, उन्हें लक्ष्य टुपल्स के ID को गैर-लक्ष्य संबंधों में टुपल्स से जोड़कर वस्तुतः जोड़ा जाता है। इस विधि में प्रिडिकेट्स की गणना की जा सकती है जै

बहु-संबंधी क्लस्टरिंग उनकी समानता के आधार पर डेटा ऑब्जेक्ट्स को क्लस्टर्स के एक समूह में विभाजित करने का चरण है, कई संबंधों में डेटा का उपयोग करके। CrossClus उपयोगकर्ता मार्गदर्शन के साथ क्रॉस-संबंधी क्लस्टरिंग का प्रतिनिधित्व करता है। यह बहु-संबंधी क्लस्टरिंग के लिए एक एल्गोरिदम है जो विश्लेषण करता

एक सेट-मूल्यवान विशेषता समरूप या विषम प्रकार की हो सकती है। आमतौर पर, सेट-मूल्यवान जानकारी को सामान्यीकृत किया जा सकता है सेट में प्रत्येक मूल्य का सामान्यीकरण इसके समतुल्य उच्च-स्तरीय अवधारणा में सेट के सामान्य व्यवहार की व्युत्पत्ति, जिसमें सेट में कई तत्व, सेट में प्रकार या मूल्य सीमाएं, सांख्यि

सांख्यिकीय स्थानिक डेटा विश्लेषण स्थानिक डेटा की खोज और भौगोलिक डेटा के विश्लेषण के लिए एक प्रसिद्ध तकनीक रही है। शब्द भू-सांख्यिकी निरंतर भौगोलिक क्षेत्र से संबंधित है, जबकि शब्द स्थानिक सांख्यिकी असतत स्थान से संबंधित है। एक सांख्यिकीय मॉडल में जो गैर-स्थानिक रिकॉर्ड का प्रबंधन करता है, आमतौर पर ड

स्वचालित दस्तावेज़ वर्गीकरण एक आवश्यक टेक्स्ट माइनिंग सेवा है क्योंकि ऑनलाइन फ़ाइलों की जबरदस्त संख्या के अस्तित्व के कारण, उन्हें क्लास में स्वचालित रूप से व्यवस्थित करने में सक्षम होना अंतहीन अभी तक महत्वपूर्ण है ताकि दस्तावेज़ पुनर्प्राप्ति और क्रमिक विश्लेषण का समर्थन किया जा सके। दस्तावेज़ वर्ग

दस्तावेज़ क्लस्टरिंग एक अनपर्यवेक्षित तरीके से फ़ाइलों को व्यवस्थित करने के लिए महत्वपूर्ण तकनीक है। जब दस्तावेज़ों को पद वेक्टर के रूप में दर्शाया जाता है, तो क्लस्टरिंग विधियों को लागू किया जा सकता है। दस्तावेज़ स्थान लगातार बड़ी आयामता का होता है, कई सौ से हजारों तक। आयाम के अभिशाप के कारण, पहले

सांख्यिकीय पैरामीटर्स का उपयोग शीर्ष-डाउन, ग्रिड-आधारित दृष्टिकोण में निम्नानुसार किया जा सकता है। पहले, पदानुक्रमित आर्किटेक्चर के भीतर एक परत तय की जाती है जिससे क्वेरी-उत्तर देने की प्रक्रिया शुरू होनी है। यह परत आमतौर पर सेल्स की एक छोटी संख्या शामिल करती है। वर्तमान परत में प्रत्येक सेल के लिए,

COBWEB वस्तुओं को एक वर्गीकरण वृक्ष में वृद्धिशील रूप से शामिल करता है। COBWEB एक आवंटन पथ के साथ वृक्ष को नीचे उतरता है, रास्ते में गणनाओं को ताज़ा करता है, सबसे अच्छे मेजबान या नोड की खोज में जिस पर ऑब्जेक्ट को परिभाषित किया जाए। यह निर्णय अस्थायी रूप से ऑब्जेक्ट को प्रत्येक नोड में रखने और परिणाम

CLIQUE उच्च-आयामी क्षेत्र में आयाम-वृद्धि उपक्षेत्र क्लस्टरिंग के लिए अनुमानित पहला एल्गोरिदम था। आयाम-वृद्धि उपक्षेत्र क्लस्टरिंग में, क्लस्टरिंग प्रक्रिया एकल-आयामी उपस्थानों से शुरू होती है और उच्च-आयामी वालों तक ऊपर की ओर बढ़ती है। क्योंकि CLIQUE प्रत्येक आयाम को ग्रिड आर्किटेक्चर के रूप में विभ

PROCLUS का अर्थ है Projected Clustering (प्रक्षेपित क्लस्टरिंग)। यह एक सामान्य आयाम-कमी उपस्थान क्लस्टरिंग तकनीक है। अर्थात, व्यक्तिगत-आयामी स्थानों से शुरू करने के बजाय, यह उच्च-आयामी विशेषता क्षेत्र में क्लस्टर्स के मूल अनुमान को खोजकर शुरू करता है। प्रत्येक आयाम को प्रत्येक क्लस्टर के लिए एक वजन

एक विभाजन क्लस्टरिंग विधि वांछनीय है क्योंकि यह सेट्स और उनके क्लस्टर केंद्रों के बीच दूरी को कम करती है। यदि k-मीन्स विधि चुनते हैं, तो बाधाओं के अस्तित्व को देखते हुए एक क्लस्टर केंद्र उपलब्ध नहीं हो सकता है। उदाहरण के लिए, क्लस्टर एक झील के केंद्र में बदल सकता है। दूसरे शब्दों में, k-मेडॉइड्स विध

अनुक्रमिक अपवाद तकनीक उस विधि का अनुकरण करती है जिसमें मनुष्य माना जाता है कि समान वस्तुओं के एक क्रम से असामान्य सेट को अलग कर सकते हैं। यह डेटा की अंतर्निहित अतिरेकता में मदद करता है। n ऑब्जेक्ट्स के एक डेटा सेट, D को देखते हुए, यह इन ऑब्जेक्ट्स के उपसमुच्चयों का एक क्रम बनाता है, {D1, D2,..., Dm}

यादृच्छिक एल्गोरिदम - यादृच्छिक नमूनाकरण और ब्लूप्रिंट के रूप में यादृच्छिक एल्गोरिदम, बड़े, उच्च-आयामी डेटा स्ट्रीम से निपटने के लिए उपयोग किए जाते हैं। यादृच्छिकीकरण की आवश्यकता ज्ञात निश्चित एल्गोरिदम की तुलना में सरल और अधिक प्रभावी एल्गोरिदम की ओर ले जाती है। यदि एक यादृच्छिक एल्गोरिदम लगातार स

एक उपयोगकर्ता दो इनपुट पैरामीटर्स का समर्थन करता है जिसमें न्यूनतम समर्थन सीमा, σ, और त्रुटि सीमा पूर्व में, ε के रूप में इंगित की गई है। आने वाली स्ट्रीम को सैद्धांतिक रूप से w = [1/ε] चौड़ाई के बकेट्स में विभाजित किया जाता है। मान लीजिए N वर्तमान स्ट्रीम लंबाई है, यानी, अब तक देखे गए आइटम्स की संख

डेटा स्ट्रीम क्लस्टरिंग को उस डेटा के क्लस्टरिंग के रूप में वर्णित किया जाता है जो लगातार प्रकट होता है जिसमें टेलीफोन डेटा, मल्टीमीडिया डेटा, मौद्रिक लेनदेन आदि शामिल हैं। डेटा स्ट्रीम क्लस्टरिंग को आमतौर पर एक स्ट्रीमिंग एल्गोरिदम के रूप में माना जाता है और उद्देश्य है, बिंदुओं के एक क्रम को देखते

STREAM k-मेडियन्स समस्या के लिए विकसित एक एकल-पास, स्थिर-तत्व सन्निकटन एल्गोरिदम है। k-मेडियन्स समस्या N डेटा बिंदुओं को k क्लस्टर्स या समूहों में क्लस्टर करना है ताकि बिंदुओं और उस क्लस्टर केंद्र के बीच वर्ग त्रुटि का योग (SSQ) न्यूनतम हो जिसे उन्हें सौंपा गया है। विचार समान बिंदुओं को उसी क्लस्टर

CBR का अर्थ है Case-based reasoning (केस-आधारित तर्क)। CBR वर्गीकरणकर्ताओं को नई समस्याओं को स्पष्ट करने के लिए समस्या समाधानों के डेटाबेस की आवश्यकता होती है। निकटतम-पड़ोसी वर्गीकरणकर्ताओं के विपरीत, जो यूक्लिडियन स्पेस में बिंदुओं के रूप में प्रशिक्षण टुपल्स को सहेजते हैं, CBR समस्या समाधान के लिए

सामान्यीकृत रैखिक मॉडल उस सैद्धांतिक प्राधिकरण को परिभाषित करते हैं जिस पर रैखिक प्रतिगमन का उपयोग श्रेणीबद्ध प्रतिक्रिया चर के मॉडलिंग के लिए किया जा सकता है। सामान्यीकृत रैखिक मॉडल में, प्रतिक्रिया चर, y, का विचलन y के माध्य मूल्य का एक फलन है, रैखिक प्रतिगमन के विपरीत, जहां y का विचलन स्थिर है। स