In our brief overview of data-minin

In our brief overview of data-mining methods, we try in particular to convey the notion
that most (if not all) methods can be viewed
as extensions or hybrids of a few basic techniques and principles. We first discuss the primary methods of data mining and then show
that the data- mining methods can be viewed
as consisting of three primary algorithmic
components: (1) model representation, (2)
model evaluation, and (3) search. In the discussion of KDD and data-mining methods,
we use a simple example to make some of the
notions more concrete. Figure 2 shows a simple two-dimensional artificial data set consisting of 23 cases. Each point on the graph represents a person who has been given a loan
by a particular bank at some time in the past.
The horizontal axis represents the income of
the person; the vertical axis represents the total personal debt of the person (mortgage, car
payments, and so on). The data have been
classified into two classes: (1) the x’s represent persons who have defaulted on their
loans and (2) the o’s represent persons whose
loans are in good status with the bank. Thus,
this simple artificial data set could represent a
historical data set that can contain useful
knowledge from the point of view of the
bank making the loans. Note that in actual
KDD applications, there are typically many
more dimensions (as many as several hundreds) and many more data points (many
thousands or even millions).
Articles
FALL 1996 43

Kết quả (Việt) 1:

Trong chúng tôi tổng quan ngắn gọn về các phương pháp khai thác dữ liệu, chúng tôi cố gắng đặc biệt để truyền đạt ý niệmHầu hết (nếu không phải tất cả) các phương pháp có thể được xemnhư tiện ích mở rộng hoặc lai của một vài nguyên tắc và kỹ thuật cơ bản. Chúng tôi lần đầu tiên thảo luận về các phương pháp chính của khai thác dữ liệu và sau đó hiển thịCác phương pháp khai thác dữ liệu có thể được xemnhư là bao gồm của ba chính thuật toánthành phần: (1) mô hình đại diện, (2)Mô hình đánh giá, và (3) tìm kiếm. Trong các cuộc thảo luận của KDD và phương pháp khai thác dữ liệu,chúng tôi sử dụng một ví dụ đơn giản để làm cho một số cáckhái niệm cụ thể hơn. Hình 2 cho thấy một tập đơn giản hai chiều nhân tạo dữ liệu bao gồm 23 trường hợp. Mỗi điểm trên biểu đồ đại diện cho một người đã được đưa ra một khoản cho vaybởi một ngân hàng cụ thể ở một số thời gian trong quá khứ.Trục ngang đại diện cho thu nhập củangười; trục dọc đại diện cho tổng số nợ cá nhân của người (thế chấp, xeCác khoản thanh toán, và như vậy). Các dữ liệu đãXếp hạng thành hai lớp học: (1) các x đại diện cho người sử dụng có cài đặt sẵn trên của họcho vay và (2) các o's đại diện cho người cócho vay trong tình trạng tốt với các ngân hàng. Do đó,Điều này thiết lập dữ liệu nhân tạo đơn giản có thể đại diện cho mộtlịch sử các tập hợp dữ liệu có thể chứa hữu íchkiến thức từ điểm nhìn của cácNgân hàng làm cho các khoản cho vay. Lưu ý rằng trong thực tếỨng dụng KDD, có rất nhiều thông thườngThêm kích thước (như một số hàng trăm) và nhiều dữ liệu hơn chỉ (nhiềuhàng ngàn hoặc thậm chí hàng triệu).Bài viếtMÙA THU NĂM 1996 43

Kết quả (Việt) 2:

Trong cái nhìn tổng quan ngắn gọn của chúng ta về các phương pháp khai thác dữ liệu, chúng tôi cố gắng đặc biệt để truyền đạt các khái niệm
mà hầu hết (nếu không phải tất cả) các phương pháp có thể được xem
như là phần mở rộng hoặc lai của một số kỹ thuật cơ bản và nguyên tắc. Đầu tiên chúng ta thảo luận về các phương pháp cơ bản của khai thác dữ liệu và sau đó chứng
rằng các phương pháp khai thác đĩa dữ liệu có thể được xem
như gồm ba thuật toán chính
thành phần: (1) mô hình đại diện, (2)
đánh giá mô hình, và (3) tìm kiếm. Trong các cuộc thảo luận của KDD và phương pháp khai thác dữ liệu,
chúng tôi sử dụng một ví dụ đơn giản để làm cho một số các
khái niệm cụ thể hơn. Hình 2 cho thấy một tập hợp dữ liệu nhân tạo hai chiều đơn giản bao gồm 23 trường hợp. Mỗi điểm trên biểu đồ đại diện cho một người đã được đưa ra một khoản vay
của một ngân hàng cụ thể vào một thời điểm trong quá khứ.
Các trục ngang đại diện cho thu nhập của
người đó; trục dọc thể hiện tổng nợ cá nhân của người (thế chấp, xe
thanh toán, vv). Các dữ liệu đã được
phân loại thành hai nhóm: (1) của x đại diện cho những người đã vỡ của họ
cho vay và (2) của o đại diện cho người có
các khoản vay đang ở trạng thái tốt với ngân hàng. Như vậy,
bộ dữ liệu nhân tạo đơn giản này có thể đại diện cho một
tập hợp dữ liệu lịch sử mà có thể chứa hữu ích
kiến thức từ điểm nhìn của các
ngân hàng hoạt động cho vay. Lưu ý rằng trong thực tế
ứng dụng KDD, có thường nhiều
kích thước hơn (như nhiều như vài trăm) và nhiều điểm dữ liệu hơn (nhiều
ngàn hoặc thậm chí hàng triệu).
Điều
FALL 1996 43