Data Mining-Modelle und
Werbung
Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i nteragieren. Sie greifen auf Datenquellen, um diese zum Training, für Tests oder für Vorhe rsagen zu verwenden. Sie definieren D ata Mining-Strukturen und -Modelle und können dann Abfragen erstellen und Analysen durchführen. Data Mining-Lösungen und -Projekte Um ein Data Mining-Projekt zu erstellen, müssen Sie Datenquellen, Data Mining-Strukturen und Data Mining-Modelle definieren. Das erstellte Data Mining-Projekt kann auch Testsätze zum Überprüfen des Modells enthalten. Nachdem Sie ein Projekt auf dem Server bereitgestellt haben, können Sie fortfahren, indem Sie in der Originallösung neue Modelle entwickeln und testen. Data Mining-Quelldaten Data Mining-Quelldaten Sie müssen keinen Sie können auch Tabellen hinzufügen, die Cube oder andere spezielle Datenquellen eine n:1-Beziehung aufweisen, um geschach- verwenden, um das Data Mining ausführen telte Tabellenspalten zu erstellen. zu können. Sie können das Data Mining für Sie haben die Möglichkeit, die Data Mining- relationale Datentabellen oder andere belie- Lösung fortlaufend mit neuen Daten zu aktu- bige Datenquellenschnell und einfach durch- alisieren, oder Sie können ein gut funktionie- führen. Die Daten, die Sie beim Data Mining rendes Modell bereitstellen und keine neuen verwenden, werden nicht in der Data Mi- Daten mehr hinzufügen. Sie können die Da- ning-Lösung gespeichert. Es werden nur die ten auch in Trainings- und Testdatensätze Bindungen gespeichert. Die Daten können unterteilen, damit Sie Ihre Data Mining- sich in einer Datenbank befinden, oder in Modelle mit einem repräsentativen, zufä;llig einem CRM-System oder sogar einer Flatfile. ausgewählten Satz von Daten testen können. Data Mining-Strukturen Data Mining-Strukturen Eine Data Mining- onieren, indem Sie einen Prozentsatz oder Struktur ist eine logische Datenstruktur, die eine Menge von Daten als HOLDOUT ange- die Datendomäne definiert, aus der die Mi- ben. ningmodelle erstellt werden. Eine einzelne Eine Data Mining-Struktur kann geschachtel- Miningstruktur kann mehrere Miningmodelle te Tabellen enthalten. In einer geschachtel- unterstützen, die dieselbe Domäne verwen- ten Tabelle werden weitere Details zu dem den. Sie können die Data Mining-Struktur Fall bereitgestellt, der in der primären Da- auch in einen Trainings- und Testsatz partiti- tentabelle modelliert ist. Data Mining-Modelle Data Mining-Modelle Ein Data Mining- auf die Originaldaten ein mathematischer Modell umfasst eine Kombination von Daten, Algorithmus angewendet wird. Mithilfe von einen Data Mining-Algorithmus und eine Parametern kann jeder Algorithmus ange- Auflistung von Parameter- und Filtereinstel- passt werden. lungen, die sich auf die verwendeten Daten Beim Erstellen neuer Data Mining-Modelle und die Art der Verarbeitung auswirken. Nachdem Sie die Struktur des Miningmodells testen Sie diese iterativ, indem Sie Vorhersa- festgelegt haben, verarbeiten Sie das Modell, gen vor, um die Ergebnisse zu optimieren. indem Sie die leere Struktur mit den Mustern Eine Änderung kann z. B. das Hinzufügen auffüllen, die das Modell beschreiben. Dies zusätzlicher Daten oder das Ändern der Pa- wird auch als Trainieren des Modells be- rameter des Modells sein, um eine bessere zeichnet. Muster werden gefunden, indem Datenanpassung zu erzielen. gen erstellen, und nehmen dann Änderun- Data Mining-Algorithmen Der Data Mining-Algorithmus ist ein Mechanismus zur Erstellung eines Data Mining-Modells. Der Algorithmus analysiert zunächst Daten auf der Suche nach bestimmten Mustern und Trends, um ein Modell zu erstellen. Mithilfe der Ergebnisse dieser Analyse definiert der Algorithmus die Parameter für das Miningmodell. Diese Parameter werden dann für das gesamte Dataset übernommen, um aussagefähige Muster und ausführliche Statistiken zu extrahieren. Das von einem Algorithmus erstellte Miningmodell kann verschiedene Formen annehmen, einschließlich der folgenden: Eine Gruppe von Regeln, die beschreiben, wie Produkte bei einer Transaktion gruppiert werden. Ein Entscheidungsbaum, der vorhersagt, ob ein bestimmter Kunde ein Produkt kaufen wird. Ein mathematisches Modell zum Vorhersagen von Umsätzen. Eine Reihe von Clustern, die die Beziehungen der Fälle in einem Dataset beschreiben. Microsoft SQL Server Microsoft SQL Server Analysis Services stellt verschiedene Algorithmen bereit, die in den Data Mining-Projektmappen verwendet werden können. Diese Algorithmen sind eine Teilmenge aller Algorithmen, die für Data Mining verwendet werden können. Sie können darüber hinaus Algorithmen von Drittanbietern verwenden, die der Spezifikation OLE DB für Data Mining entsprechen. Typen von Data Mining-Algorithmen Analysis Services enthält die folgenden Alg orithmentypen: Klassifikationsalgorithmen sagen basierend auf den anderen Attributen im Dataset mindestens eine diskrete Variable voraus. Ein Beispiel für einen Klassifikationsalgorithmus ist der Microsoft Decision TreesAlgorithmus. Regressionsalgorithmen sagen basierend auf anderen Attribute im Dataset mindestens eine kontinuierliche Variable voraus. Ein Beispiel für einen Regressionsalgorithmus ist der Microsoft Time SeriesAlgorithmus. Segmentierungsalgorithmen teilen Daten in Gruppen oder Cluster aus Elementen auf, die ä;hnliche Eigenschaften haben. Ein Beispiel für einen Segmentierungsalgorithmus ist der Microsoft Clustering-Algorithmus. Zuordnungsalgorithmen suchen nach Korrelationen zwischen verschiedenen Attributen in einem Dataset. Die häufigste Anwendung dieser Algorithmusart besteht im Erstellen von Zuordnungsregeln, die für eine Warenkorbanalyse verwendet werden können. Ein Beispiel für einen Zuordnungsalgorithmus ist der Microsoft AssociationAlgorithmus. Sequenzanalysealgorithmen fassen häufige Datensequenzen oder Periodizitäten wie z. B. einen Webpfadfluss zusammen. Ein Beispiel für einen Sequenzanalysealgorithmus ist der Microsoft Sequence ClusteringAlgorithmus. Anwenden der Algorithmen Es kann schwierig sein, den besten Algorith- können einige Algorithmen zum Durchsu- mus für eine bestimmte Geschäftsaufgabe chen von Daten und andere Algorithmen auszuwählen. Während verschiedene Algo- zum Vorhersagen bestimmter Ausgaben auf rithmen zum Ausführen derselben Ge- Grundlage dieser Daten verwendet werden. schäftsaufgabe verwendet werden können, Sie können z. B. einen Clusteringalgorithmus liefert jeder Algorithmus ein anderes Ergeb- zum Erkennen von Mustern verwenden, um nis und einige Algorithmen können mehr als Daten in mehr oder weniger homogene eine Ergebnisart ergeben. Sie können z. B. Gruppen aufzuteilen, und im Anschluss da- den Microsoft Decision Trees-Algorithmus ran mit den Ergebnissen ein besseres Ent- nicht nur für Vorhersagen verwenden, son- scheidungsbaummodell erstellen. Sie können dern auch als Möglichkeit, die Anzahl der mehrere Algorithmen innerhalb einer Pro- Spalten in einem Dataset zu reduzieren, weil jektmappe zum Ausführen separater Aufga- der Entscheidungsbaum Spalten identifizie- ben verwenden, z. B. können Sie mit einem ren kann, die sich nicht auf das endgültige Regressionsstrukturalgorithmus Finanzprog- Miningmodell auswirken. Sie müssen die Algorithmen außerdem nicht nosen erstellen und eine Warenkorbanalyse unabhängig voneinander verwenden. In ei- führen. ner einzelnen Data Mining-Projektmappe mit einem regelbasierten Algorithmus aus- Mithilfe von Miningmodellen können Werte Algorithmen für bestimmte Aufgaben, die vorhergesagt, Datenzusammenfassungen Ihnen beim Auswählen der Algorithmen für erstellt und verborgene Korrelationen ge- eine Data Mining-Projektmappe helfen sol- sucht werden. In der folgenden Tabelle fin- len. den Sie Empfehlungen zum Verwenden von Vorhersagen eines diskreten Attributs Sie möchten z. B. vorhersagen, ob der Em pfänger einer Targeted Mailing -Kampagne ein Produkt kaufen wird: Microsoft Decision Trees-Algorithmus Microsoft Naive Bayes-Algorithmus Microsoft Clustering-Algorithmus Microsoft Neural Network-Algorithmus Vorhersagen eines kontinuierlichen Attributs Sie möchten z. B. den Verkaufstrend für das nächste Jahr vorhersagen. Microsoft Decision Trees-Algorithmus Microsoft Time Series-Algorithmus Vorhersagen einer Sequenz Sie möchten z. B. bei einer Unternehmenswebsite eine Clickstreamanalyse ausführen. Microsoft Sequence Clustering-Algorithmus Suchen von Gruppen aus allgemeinen Elementen in Transaktionen. Sie möchten z. B. die Warenkorbanalyse verwenden, um einem Kunden weitere Produkte vorzuschl agen. Microsoft Association-Algorithmus Microsoft Decision Trees-Algorithmus Suchen von Gruppen mit ähnlichen Elementen Sie möchten z. B. demografische Daten in Gruppen unterteilen, um die Beziehungen zwischen den Attributen besser zu verstehen Microsoft Clustering-Algorithmus Microsoft Sequence Clustering-Algorithmus
