แอปพลิเคชันของการทำเหมืองรูปแบบ
มีแอปพลิเคชันหลากหลายของการทำเหมืองรูปแบบ ดังนี้:
- การกรอง雜訊และทำความสะอาดข้อมูล (Noise Filtering and Data Cleaning): ใช้เป็นขั้นตอนก่อนประมวลผล (Preprocessing) ในแอปพลิเคชันที่ใช้ข้อมูลหนักหลายอย่าง สามารถใช้สำรวจข้อมูลไมโครอาร์เรย์ (Microarray Data) ได้ ซึ่งมีหลายหมื่นมิติ (เช่น แทนจีน)
- การค้นพบกลไกและกลุ่มที่ซ่อนอยู่: การทำเหมืองรูปแบบช่วยค้นพบกลไกและกลุ่มที่แฝงอยู่ในข้อมูล กรณีชุดข้อมูล DBLP การทำเหมืองรูปแบบบ่อย (Frequent Pattern Mining) สามารถค้นพบกลุ่มน่าสนใจอย่างง่ายดาย เช่น กลุ่มผู้ร่วมเขียน (Coauthor Clusters - โดยระบุผู้เขียนที่มักร่วมงานกัน) และกลุ่มการประชุม (Conference Clusters - โดยระบุการแบ่งปันผู้เขียนและคำศัพท์มากมาย) การค้นพบโครงสร้างหรือกลุ่มเหล่านี้สามารถใช้เป็นขั้นตอนก่อนสำหรับการทำเหมืองข้อมูลขั้นสูง
- การจัดกลุ่มช่วงย่อยในพื้นที่มิติสูง (Subspace Clustering in High-Dimensional Space): รูปแบบบ่อยสามารถใช้ได้อย่างมีประสิทธิภาพสำหรับการจัดกลุ่มช่วงย่อยในพื้นที่มิติสูง การจัดกลุ่มยากในพื้นที่มิติสูง ที่ระยะห่างระหว่างสองวัตถุยากต่อการวัด เนื่องจากระยะห่างถูกครอบงำโดยชุดมิติจำนวนมากที่วัตถุครอบครอง
- การวิเคราะห์ข้อมูลหลายประเภท: การวิเคราะห์รูปแบบมีประโยชน์ในการวิเคราะห์ข้อมูลเชิงพื้นที่-เวลา (Spatiotemporal), ข้อมูลอนุกรมเวลา (Time-series), ข้อมูลภาพ (Image), วิดีโอ (Video), และมัลติมีเดีย (Multimedia)
- ข้อมูล Spatiotemporal: การวิเคราะห์รูปแบบ Colocation ช่วยตัดสินใจว่าโรคเฉพาะมีการร่วมตั้งอยู่ทางภูมิศาสตร์กับวัตถุเฉพาะ เช่น โรงบำบัดน้ำ, โรงพยาบาล, หรือแม่น้ำ
- ข้อมูล Time-series: นักวิจัยแปลงค่า Time-series เป็นช่วงหลายช่วง เพื่อให้ความผันผวนเล็กน้อยและความแตกต่างของค่าถูกละเว้น ข้อมูลสามารถสรุปเป็นรูปแบบลำดับ (Sequential Patterns) ซึ่งสามารถจัดทำดัชนีเพื่อการค้นหาความคล้ายคลึงหรือการวิเคราะห์เปรียบเทียบ
- การวิเคราะห์ภาพและการจดจำรูปแบบ: นักวิจัยจัดระเบียบชิ้นส่วนภาพที่ปรากฏบ่อยเป็นคำศัพท์ภาพ (Visual Words) ใช้สำหรับการจัดกลุ่ม, การจัดประเภท, และการวิเคราะห์เปรียบเทียบที่มีประสิทธิภาพ
- การวิเคราะห์ข้อมูลลำดับหรือโครงสร้าง: การทำเหมืองรูปแบบใช้สำหรับวิเคราะห์ข้อมูลลำดับหรือโครงสร้าง รวมถึง ต้นไม้ (Trees), กราฟ (Graphs), ย่อยลำดับ (Subsequences), และเครือข่าย (Networks)
- วิศวกรรมซอฟต์แวร์: นักวิจัยจัดกลุ่มย่อยลำดับต่อเนื่องหรือมีช่องว่าง (Gapped Subsequences) ในการรันโค้ดเป็นรูปแบบลำดับ ช่วยระบุข้อผิดพลาดของซอฟต์แวร์
- ข้อผิดพลาด Copy-and-paste: ในโปรแกรมซอฟต์แวร์ขนาดใหญ่ สามารถตรวจจับได้โดยการวิเคราะห์รูปแบบลำดับขยาย (Extended Sequential Pattern Analysis) ของซอร์สโค้ด
- ซอฟต์แวร์ลอกเลียนแบบ (Plagiarized Software): สามารถระบุได้จากโครงสร้างโปรแกรม/ลูปที่เหมือนกันอย่างมีนัยสำคัญ
- กลไกการจัดทำดัชนีรูปเริ่มต้น (Primitive Indexing Mechanisms - Graph Indices): รูปแบบบ่อยและรูปแบบที่แบ่งแยกได้ (Discriminative Patterns) ใช้เป็นกลไกจัดทำดัชนีรูปเริ่มต้น (Graph Indices) เพื่อค้นหาชุดข้อมูลและเครือข่ายขนาดใหญ่ โครงสร้างซับซ้อน เหล่านี้ช่วยการค้นหาความคล้ายคลึงในข้อมูลที่มีโครงสร้างกราฟ เช่น ฐานข้อมูลสารประกอบเคมี (Chemical Compound Databases) หรือฐานข้อมูลโครงสร้าง XML รูปแบบเหล่านี้ยังใช้สำหรับการบีบอัดและการอธิบายข้อมูลได้
