|
| |
|
|
데이터웨어하우스와 데이터마이닝 그리고 데이터웨어하우스마이닝
파일 
데이터웨어하우스와 데이터마이닝 그리고 데이터웨어하우스마이닝.hwp
[Size :
483 Kbyte
]
데이터웨어하우스와 데이터마이닝 그리고 데이터웨어하우스마이닝.hwp
[Size :
483 Kbyte
]
분량 25 Page
가격 3,000 원
×
링크주소가 복사 되었습니다.
원하는 곳에 붙혀넣기 하세요
원하는 곳에 붙혀넣기 하세요
카트
|
다운받기
|
 네이버 ID로 다운 받기  카카오 ID로 다운 받기  구글 ID로 다운 받기  페이스북 ID로 다운 받기 |
뒤로
|
자료설명
6. 마이닝 지식의 종류 및 사용기법
마이닝에서 얻을 수 있는 지식에는 연관규칙, 분류규칙, 요약규칙, 클러스터링 등 여러 가지가 있다.
...
마이닝에서 얻을 수 있는 지식에는 연관규칙, 분류규칙, 요약규칙, 클러스터링 등 여러 가지가 있다.
...
본문/내용
6. 마이닝 지식의 종류 및 사용기법
마이닝에서 얻을 수 있는 지식에는 연관규칙, 분류규칙, 요약규칙, 클러스터링 등 여러 가지가 있다.
■ 연관규칙(Association rules)
연관 규칙은 레코드의 셋에 대하여 아이템의 집합 중에 존재하는 친화도나 패턴을 찾아내는 규칙이다. 연관규칙의 예를 들어 보면 `아이템 A, B, C를 포함하는 모든 레코드의 72%는 아이템 D와 E도 포함한다`, 또는 `타이어와 자동차 액세서리를 구매하는 고객의 98%는 자동차 서비스를 가진다.` 등이다.
■ 일반화/요약 규칙(Generalization & summerization rules)
데이터 일반화란 데이터베이스에서 많은 관련된 데이터를 낮은 개념 레벨에서 높은 개념 레벨로 추상화시키는 작업이다. 일반화/요약화 규칙은 데이터베이스 내의 사용자가 지정한 부분에 대해 일반적인 특성이나 요약된 고급 뷰를 제공한다. 통상 여러 추상화 레벨에 있는 데이터에 관하여 일반화된 뷰를 제공하는 것은 바람직하다.
■ 분류규칙(Classification rules)
데이터 분류란 데이터베이스 내의 객체의 셋에 대하여 그 안에 내재하는 공통 특성을 뽑아내어 이 객체들을 서로 다른 클래스로 그루핑해내는 작업을 말한다. 이 작업은 먼저 트레이닝 셋을 분석하여 각 클래스별로 정확한 묘사 또는 모델을 생성해내어 이를 이용해서 목표 데이터를 처리한다. 예를 들어 타겟 메일링은 분류의 대표적인 응용분야이다.
■ 클러스터링/세그멘테이(Clustering/Segmentation)
클러스터링이란 물리적 혹은 추상적 객체를 비슷한 객체군으로 그루핑하는 과정이다. 이 때 유사성 때문에 함께 모여진 개체의 셋을 클러스터라 한다. 클러스터링 작업은 먼저 필수 객체들이 셋으로 모여지고 이로부터 일련의 규칙이 유도된다.
참고문헌
[1] Agrawal, R., et al., `An Internal Classifier for Database Mining Applications`, Proceedings of the 18th VLDB Conference, 1992.
[2] Agrawal, R., lmielinski, T., and Swami, A., `Mining Association Rules between Sets of items in Large Databases`, Proceedings of the ACM SIGMOD Conference, 1993.
[3] Agrawal, R, and Srikant, R., `Mining Swquential Patterns`, Proceedings of the 11th Data Engineering, 1995.
[4] Anwar, T. M., Beck, H. W., Navathe, S. B., `Knowledge Mining by Imprecise Querying : A Classification-Based Approach`, Proceedings of the 8th Data Engineering, 1992.
[5] Breiman, L, et al. Classification abd Regression Trees, Wadsworth, Inc., 1984.
[6] Chen, M. S., Han, J., and Yu, P. S., `Data Mining : An Overview from Database Perspective`, IEEE TKDE, (to appear) 1997.
[7] Fayyad, U. M. et al. Advances in Knowledge Discovery and Data Mining, MIT Press, 1996.
[8] Han, J., and Cai, Y., Cercone, N., `Knowledge Discovery in Databases : An Attribute-Oriented Approach`, Proceedings of the 18th VLDB Conference, 1992.
[9] Han, J. et al., `DBMiner : A System for Mining Knowledge in Large Relational Databases`, 2nd International Conf. on Knowledge Discovery and Data Mining(KDD` 96), 1996.
[10]Holsheimer, M., Siebes, A. P. J. M., `Data Mining : The Search for Knowledge in Databases`, Technical Report CS-R9406, CWI, Netherlands, 1994.
[11] Korth, H. F., and Silberschatz, A., Database System Concepts, McGraw-Hill, 1991.
[12] Mehta, M., Agrawal, R., and Rissanen, J., `SLIQ : A fast Scalable Classifier for Data Mining`, EDBT, 1996.
[13] Park, J. S., Chen, M. S., and Yu, P. S., `An Effective Hash-Based Algorithm for Mining Association Rules`, Proceedings of the ACM SIGMOD Conference, 1995.
[14] Piatestsky-Shapiro, G., editor, Knowledge Discovery in Databases, AAAI MIT Press, 1991.
[15] Quinlan, J. R., `Induction of Decision Trees`, Machine Learning, 1, pp.81-106, 1986.
[16] Quinlan, J. R., `Symplifying Decision Trees`, Int. J. Man-Machine Studies, 27, pp.221-234, 1987.
[17] 나민영, 최병갑, `데이터베이스 마이닝을 위한 지식기반 트리분류기`, 데이터베이스 연구회지, 12권 4호, pp.3-22, 1996.
[2] Agrawal, R., lmielinski, T., and Swami, A., `Mining Association Rules between Sets of items in Large Databases`, Proceedings of the ACM SIGMOD Conference, 1993.
[3] Agrawal, R, and Srikant, R., `Mining Swquential Patterns`, Proceedings of the 11th Data Engineering, 1995.
[4] Anwar, T. M., Beck, H. W., Navathe, S. B., `Knowledge Mining by Imprecise Querying : A Classification-Based Approach`, Proceedings of the 8th Data Engineering, 1992.
[5] Breiman, L, et al. Classification abd Regression Trees, Wadsworth, Inc., 1984.
[6] Chen, M. S., Han, J., and Yu, P. S., `Data Mining : An Overview from Database Perspective`, IEEE TKDE, (to appear) 1997.
[7] Fayyad, U. M. et al. Advances in Knowledge Discovery and Data Mining, MIT Press, 1996.
[8] Han, J., and Cai, Y., Cercone, N., `Knowledge Discovery in Databases : An Attribute-Oriented Approach`, Proceedings of the 18th VLDB Conference, 1992.
[9] Han, J. et al., `DBMiner : A System for Mining Knowledge in Large Relational Databases`, 2nd International Conf. on Knowledge Discovery and Data Mining(KDD` 96), 1996.
[10]Holsheimer, M., Siebes, A. P. J. M., `Data Mining : The Search for Knowledge in Databases`, Technical Report CS-R9406, CWI, Netherlands, 1994.
[11] Korth, H. F., and Silberschatz, A., Database System Concepts, McGraw-Hill, 1991.
[12] Mehta, M., Agrawal, R., and Rissanen, J., `SLIQ : A fast Scalable Classifier for Data Mining`, EDBT, 1996.
[13] Park, J. S., Chen, M. S., and Yu, P. S., `An Effective Hash-Based Algorithm for Mining Association Rules`, Proceedings of the ACM SIGMOD Conference, 1995.
[14] Piatestsky-Shapiro, G., editor, Knowledge Discovery in Databases, AAAI MIT Press, 1991.
[15] Quinlan, J. R., `Induction of Decision Trees`, Machine Learning, 1, pp.81-106, 1986.
[16] Quinlan, J. R., `Symplifying Decision Trees`, Int. J. Man-Machine Studies, 27, pp.221-234, 1987.
[17] 나민영, 최병갑, `데이터베이스 마이닝을 위한 지식기반 트리분류기`, 데이터베이스 연구회지, 12권 4호, pp.3-22, 1996.
| 📝 Regist Info |
|
I D : mjmj***** Date : 2011-08-04 FileNo : 16088591 |
Cart  | |
| |