Co je algoritmus dolování dat?

Algoritmus dolování dat je sada vyšetřovacích a analytických algoritmů, které pomáhají při vytváření modelu pro data. Abychom získali konkrétní model, musí algoritmus nejprve analyzovat data, která poskytnete, která mohou najít konkrétní typy vzorů nebo trendů. Výsledkem tohoto algoritmu je analýza různých iterací, které mohou pomoci při hledání optimálních parametrů pro správný model dolování dat. Tyto sady parametrů lze použít v celé sadě dat a pomáhají extrahovat akční vzorce a získávat podrobnou statistiku dat.

Nejlepší algoritmy dolování dat

Podívejme se na nejlepší algoritmy dolování dat:

1. C4.5 Algoritmus

Existují konstrukty, které používají klasifikátory, což jsou nástroje při těžbě dat. Tyto systémy berou vstupy ze souboru případů, kdy každý případ patří k jednomu z malého počtu tříd a jsou popsány svými hodnotami pro pevnou sadu atributů. Klasifikátor výstupu může přesně předpovědět třídu, do které patří. Využívá rozhodovacích stromů, kde první počáteční strom je získán pomocí algoritmu dělení a dobytí.

Předpokládejme, že S je třída a strom je označen listem s nejčastější třídou v S. Lze použít výběr testu založeného na jediném atributu se dvěma nebo více výstupy, než aby byl tento test proveden jako kořenová jedna větev pro každý výsledek testu. Oddíly odpovídají podmnožinám S1, S2 atd., Které jsou výstupy pro každý případ. C4.5 umožňuje více výsledků. V případě složitých rozhodovacích stromů zavedl C4.5 alternativní vzorec, který se skládá ze seznamu pravidel, kde jsou tato pravidla seskupena pro každou třídu. Pro klasifikaci případu je první třída, jejíž podmínky jsou splněny, pojmenována jako první. Není-li v daném případě splněno žádné pravidlo, je mu přidělena výchozí třída. Pravidla C4.5 jsou tvořena z počátečního stromu rozhodování. C4.5 zvyšuje škálovatelnost vícevláknovými procesy.

2. K-znamená Algoritmus

Tento algoritmus je jednoduchá metoda rozdělení dané sady dat do uživatelem určeného počtu klastrů. Tento algoritmus pracuje na d-dimenzionálních vektorech, D = (xi | i = 1, … N), kde i je datový bod. K získání těchto počátečních datových semen musí být data náhodně vzorkována. Tím se nastavuje řešení shlukování malé podskupiny dat, což je globální průměr dat krát. Tento algoritmus může být spárován s jiným algoritmem pro popis nekonvexních shluků. Vytvoří k skupiny z dané sady objektů. Prozkoumá celou sadu dat pomocí své shlukové analýzy. Je-li používán s jinými algoritmy, je jednoduchý a rychlejší než jiné algoritmy. Tento algoritmus je většinou klasifikován jako částečně kontrolovaný. Spolu s určením počtu klastrů také udržuje učení bez jakýchkoli informací. Sleduje klastr a učí se.

3. Algoritmus Naive Bayes

Tento algoritmus je založen na Bayesově větě. Tento algoritmus se používá zejména v případě, že je rozměrnost vstupů vysoká. Tento klasifikátor může snadno vypočítat další možný výstup. Během zpracování mohou být přidána nová hrubá data a poskytuje lepší pravděpodobnostní klasifikátor. Každá třída má známou sadu vektorů, jejichž cílem je vytvoření pravidla, které umožní, aby objekty byly v budoucnu přiřazeny třídám. Vektory proměnných popisují budoucí objekty. Toto je jeden z nejjednodušších algoritmů, protože je snadno konstruovatelný a nemá složitá schémata pro odhad parametrů. Lze jej snadno aplikovat i na obrovské soubory dat. Nepotřebuje žádná komplikovaná schémata odhadů iteračních parametrů, a proto uživatelé, kteří nejsou kvalifikovaní, mohou pochopit, proč jsou klasifikace prováděny.

4. Podpora algoritmů Vector Machines

Pokud chce uživatel robustní a přesné metody, musí být vyzkoušen algoritmus Support Vector machines. SVM se používají hlavně pro výuku klasifikace, regrese nebo funkce hodnocení. Je tvořen na základě minimalizace strukturálních rizik a teorie statistického učení. Musí být stanoveny hranice rozhodnutí, které se nazývají hyperplány. Pomáhá při optimálním oddělení tříd. Hlavním úkolem SVM je identifikovat maximalizaci rozpětí mezi dvěma třídami. Okraj je definován jako velikost prostoru mezi dvěma třídami. Hyperplane funkce je jako rovnice pro linii, y = MX + b. SVM lze rozšířit i pro provádění numerických výpočtů. SVM využívá jádro, takže funguje dobře ve vyšších rozměrech. Toto je kontrolovaný algoritmus a sada dat se používá k prvnímu informování SVM o všech třídách. Jakmile je to hotovo, SVM může být schopna klasifikovat tato nová data.

5. Aprioriho algoritmus

Algoritmus Apriori je široce používán k nalezení častých sad položek z transakčních dat a odvození pravidel přidružení. Najít časté sady položek není obtížné kvůli kombinatorické explozi. Jakmile dostaneme časté sady položek, je jasné, že vygenerujeme pravidla přidružení pro větší nebo stejnou zadanou minimální důvěru. Apriori je algoritmus, který pomáhá při hledání častých datových souborů pomocí generování kandidátů. Předpokládá, že sada položek nebo přítomné položky jsou seřazeny v lexikografickém pořadí. Po zavedení Apriori byl dolování dat specificky podpořen. Je to jednoduché a snadné provedení. Základní přístup tohoto algoritmu je následující:

  • Připojit : Celá databáze je používána pro motyky často 1 sady položek.
  • Prune : Tato sada položek musí uspokojit podporu a důvěru, aby se přesunula do dalšího kola pro 2 sady položek.
  • Opakovat : Dokud není dosaženo předdefinované velikosti, opakuje se to pro každou úroveň sady položek.

Závěr

S pěti významnými algoritmy, které jsou používány prominentně, existují i ​​další, které pomáhají při těžbě dat a také se učí. Integruje různé techniky včetně strojového učení, statistik, rozpoznávání vzorů, umělé inteligence a databázových systémů. To vše pomáhá při analýze velkých souborů dat a provádění různých úkolů analýzy dat. Proto jsou nejužitečnější a nejspolehlivější analytické algoritmy.

Doporučené články

Toto byl průvodce algoritmy pro dolování dat. Zde jsme diskutovali základní pojmy a top algoritmy dolování dat. Další informace naleznete také v dalších navrhovaných článcích.

  1. Co je testování softwaru?
  2. Algoritmus rozhodovacího stromu
  3. Co je to Generics v Javě?
  4. Architektura těžby dat
  5. Aplikace dolování dat
  6. Příklady a jak generici pracují v C #
  7. Modely v těžbě dat s výhodami

Kategorie:

Velká data