methods, the effective number of va

methods, the effective number of variables
under consideration can be reduced, or invariant representations for the data can be
found.
Fifth is matching the goals of the KDD process (step 1) to a particular data-mining
method. For example, summarization, classification, regression, clustering, and so on,
are described later as well as in Fayyad, Piatetsky-Shapiro, and Smyth (1996).
Sixth is exploratory analysis and model
and hypothesis selection: choosing the datamining algorithm(s) and selecting method(s)
to be used for searching for data patterns.
This process includes deciding which models
and parameters might be appropriate (for example, models of categorical data are different than models of vectors over the reals) and
matching a particular data-mining method
with the overall criteria of the KDD process
(for example, the end user might be more interested in understanding the model than its
predictive capabilities).
Seventh is data mining: searching for patterns of interest in a particular representational form or a set of such representations,
including classification rules or trees, regression, and clustering. The user can significantly aid the data-mining method by correctly
performing the preceding steps.
Eighth is interpreting mined patterns, possibly returning to any of steps 1 through 7 for
further iteration. This step can also involve
visualization of the extracted patterns and
models or visualization of the data given the
extracted models.
Ninth is acting on the discovered knowledge: using the knowledge directly, incorporating the knowledge into another system for
further action, or simply documenting it and
reporting it to interested parties. This process
also includes checking for and resolving potential conflicts with previously believed (or
extracted) knowledge.
The KDD process can involve significant
iteration and can contain loops between
any two steps. The basic flow of steps (although not the potential multitude of iterations and loops) is illustrated in figure 1.
Most previous work on KDD has focused on
step 7, the data mining. However, the other
steps are as important (and probably more
so) for the successful application of KDD in
practice. Having defined the basic notions
and introduced the KDD process, we now
focus on the data-mining component,
which has, by far, received the most attention in the literature

Kết quả (Việt) 1:

phương pháp, số hiệu quả của các biếnđang được xem xét có thể là giảm, hoặc bất biến đại diện cho các dữ liệu có thểtìm thấy.Thứ năm phù hợp với các mục tiêu của quá trình KDD (bước 1) để một khai thác dữ liệu cụ thểphương pháp. Ví dụ, tổng hợp, phân loại, hồi qui, cụm, và như vậy,được mô tả sau đó cũng như trong Fayyad, Piatetsky-Shapiro và Smyth (1996).Thứ sáu là phân tích thăm dò và mô hìnhvà giả thuyết lựa chọn: chọn datamining algorithm(s) và chọn method(s)được sử dụng để tìm kiếm các mẫu dữ liệu.Quá trình này bao gồm việc quyết định các mô hình màvà tham số có thể thích hợp (ví dụ, mô hình của phân loại dữ liệu là khác nhau hơn so với các mô hình của vectơ trên các tập số thực) vàphù hợp với một phương pháp khai thác dữ liệu cụ thểvới tiêu chí tổng thể của quá trình KDD(ví dụ, người dùng cuối có thể được quan tâm nhiều hơn trong sự hiểu biết các mô hình hơn của nókhả năng tiên đoán).Thứ bảy là khai thác dữ liệu: tìm kiếm các mô hình quan tâm trong một hình thức representational cụ thể hoặc một tập hợp các đại diện như vậy,bao gồm cả phân loại quy tắc hoặc cây, hồi qui, và clustering. Người dùng có thể đáng kể hỗ trợ các phương pháp khai thác dữ liệu bởi một cách chính xácthực hiện các bước trước.Thứ tám giải thích mẫu mỏ, có thể trở lại bất kỳ bước 1 đến 7 chotiếp tục lặp đi lặp lại. Bước này cũng có thể liên quan đếnkiểu trực quan của các mô hình trích xuất vàMô hình hoặc hình dung của dữ liệu cho cáctrích xuất các mô hình.Thứ chín hành động trên những kiến thức phát hiện: bằng cách sử dụng những kiến thức trực tiếp, kết hợp các kiến thức vào các hệ thống khác chotiếp tục hành động, hoặc chỉ đơn giản là tài liệu về nó vàbáo cáo cho các bên quan tâm. Quá trình nàycũng bao gồm kiểm tra và giải quyết vụ án tiềm năng xung đột với trước đó tin (hoặckiến thức chiết xuất).Trình KDD có thể liên quan đến quan trọnglặp đi lặp lại và có thể chứa vòng giữabất kỳ hai bước. Dòng chảy cơ bản của bước (mặc dù không nhiều tiềm năng của lặp đi lặp lại và vòng) được minh họa trong hình 1.Hầu hết các công việc trước đây trên KDD đã tập trung vàoBước 7, dữ liệu khai thác mỏ. Tuy nhiên, khácbước là như là quan trọng (và có lẽ nhiều hơn nữado đó) cho việc áp dụng thành công các KDD trongthực hành. Có định nghĩa khái niệm cơ bảnvà giới thiệu trình KDD, chúng tôi bây giờtập trung vào các thành phần khai thác dữ liệu,mà có, bởi đến nay, đã nhận được sự chú ý nhất trong văn học

Kết quả (Việt) 2:

phương pháp, số hiệu quả của các biến
được xem xét có thể được giảm, hoặc cơ quan đại diện bất biến đối với các dữ liệu có thể được
tìm thấy.
Thứ năm là phù hợp với các mục tiêu của quá trình KDD (bước 1) để một khai thác dữ liệu cụ thể
phương pháp. Ví dụ, tổng hợp, phân loại, hồi quy, clustering, và như
vậy,. Được mô tả sau này cũng như trong Fayyad, Piatetsky-Shapiro, và Smyth (1996)
Thứ sáu là phân tích thăm dò và mô hình
và lựa chọn giả thuyết: việc lựa chọn các thuật toán datamining (s ) và lựa chọn phương pháp (s)
sẽ được sử dụng để tìm kiếm các mô hình dữ liệu.
Quá trình này bao gồm việc quyết định mô hình
và các thông số có thể thích hợp (ví dụ, các mô hình dữ liệu phân loại là khác nhau hơn so với mô hình của vectơ trên tập số thực) và
phù hợp với một dữ liệu cụ thể Phương pháp -mining
với tiêu chí chung của quá trình KDD
(ví dụ, người dùng cuối có thể quan tâm nhiều hơn trong việc tìm hiểu các mô hình hơn của
nó. khả năng tiên đoán)
Seventh là khai thác dữ liệu: tìm kiếm các mô hình quan tâm trong một hình thức biểu hiện cụ thể hoặc một tập hợp cơ quan đại diện như vậy,
bao gồm cả các quy tắc phân loại hoặc cây, hồi quy, và clustering. Người dùng có thể hỗ trợ đáng kể các phương pháp khai thác dữ liệu một cách chính xác bằng cách
thực hiện các bước trước.
Eighth được giải thích mô hình khai thác, có thể quay trở lại bất kỳ bước 1 đến 7 cho
lần lặp tiếp theo. Bước này cũng có thể liên quan
trực quan của mô hình chiết xuất và
mô hình hoặc trực quan của dữ liệu đưa ra các
mô hình chiết xuất.
Thứ chín là hành động trên các kiến thức đã phát hiện ra: sử dụng các kiến thức trực tiếp, kết hợp với các kiến thức vào một hệ thống khác để
tiếp tục hành động, hoặc chỉ đơn giản chứng minh điều này và
báo cáo cho các bên quan tâm. Quá trình này
cũng bao gồm việc kiểm tra và giải quyết các xung đột tiềm năng với trước đây từng (hoặc
trích) kiến thức.
Quá trình KDD có thể liên quan đáng kể
lặp và có thể chứa vòng giữa
bất kỳ hai bước. Các dòng chảy cơ bản của bước (mặc dù không phải là vô tiềm năng lặp và vòng lặp) được minh họa trong hình 1.
Hầu hết các công việc trước đây về KDD đã tập trung vào
bước 7, khai thác dữ liệu. Tuy nhiên, sự khác
bước như quan trọng (và có lẽ nhiều
hơn) cho các ứng dụng thành công của KDD trong
thực hành. Sau khi đã định nghĩa các khái niệm cơ bản
và giới thiệu quá trình KDD, bây giờ chúng tôi
tập trung vào các thành phần khai thác dữ liệu,
trong đó có, bởi đến nay, đã nhận được sự chú ý nhất trong văn học