ตัวแบ่งประเภทเบย์ (Bayesian Classifiers) เป็นตัวแบ่งประเภททางสถิติ (Statistical Classifiers) สามารถทำนายความน่าจะเป็นของการเป็นสมาชิกคลาส (Class Membership Probabilities) เช่น ความน่าจะเป็นที่ตัวอย่างที่กำหนดจะใช้กับคลาสที่แน่นอน ตัวแบ่งประเภทเบย์ยังแสดงประสิทธิภาพและความเร็วที่สูงเมื่อมีฐานข้อมูลขน

ตัวแบ่งประเภทเบย์แบบ наиฟ (Naive Bayesian Classifier) สร้างสมมติฐานความเป็นอิสระแบบมีเงื่อนไขของคลาส (Class Conditional Independence) คือ กำหนดฉลากคลาสของทูเพิล ค่าของแอตทริบิวต์ถูกพิจารณาว่าเป็นแบบมีเงื่อนไขแยกจากกัน กล่าวอีกนัยหนึ่ง นี่คือการประเมินค่า เมื่อสมมติฐานส่งผลจริง ดังนั้น naive Bayesia

เครือข่ายประสาทเทียม (Artificial Neural Network) เป็นระบบที่วางบนฟังก์ชันของเครือข่ายประสาทชีวภาพ (Biological Neural Networks) เป็นการจำลอง (Simulation) ของระบบประสาทชีวภาพ ลักษณะเฉพาะของเครือข่ายประสาทเทียมคือมีโครงสร้างหลายโครงสร้าง ซึ่งต้องการอัลกอริทึมหลายวิธี แต่ไม่ว่าจะเป็นระบบซับซ้อน เครือข่า

เครือข่ายประสาทเทียมมีกลไกที่ซับซ้อนกว่าของโมเดลเพอร์เซปทрон (Perceptron Model) มีหลายวิธีในเครือข่ายประสาทเทียมหลายชั้น ดังนี้: เครือข่ายสามารถรวมชั้นกลางหลายชั้น (Intermediary Layers) ระหว่างชั้นป้อนเข้าและชั้นเอาต์พุท ชั้นกลางเหล่านี้เรียกว่าชั้นซ่อน (Hidden Layers) และโหนดที่ติดตั้งในชั้นเหล่าน

เครือข่ายประสาทเทียม (Artificial Neural Network) เป็นระบบที่พัฒนาจากฟังก์ชันของเครือข่ายประสาทชีวภาพ เป็นการจำลองของระบบประสาทชีวภาพ ลักษณะเฉพาะของเครือข่ายประสาทเทียมคือมีโครงสร้างหลายโครงสร้าง ซึ่งต้องการวิธีอัลกอริทึมหลายวิธี แต่ไม่ว่าจะเป็นระบบซับซ้อน เครือข่ายประสาทก็ง่าย เครือข่ายเหล่านี้อยู่

เครือข่ายประสาทเทียม (Artificial Neural Network) เป็นระบบที่วางบนฟังก์ชันของเครือข่ายประสาทชีวภาพ (Biological Neural Networks) เป็นการจำลอง (Simulation) ของระบบประสาทชีวภาพ ลักษณะเฉพาะของเครือข่ายประสาทเทียมคือมีโครงสร้างหลายโครงสร้าง ซึ่งต้องการอัลกอริทึมหลายวิธี แต่ไม่ว่าจะเป็นระบบซับซ้อน เครือข่า

แนวทางการจำแนกประเภทที่ได้รับการตรวจสอบอย่างมากคือเครื่องจักรเวกเตอร์สนับสนุน (Support Vector Machine - SVM) แนวทางนี้มีรากฐานในทฤษฎีการเรียนรู้ทางสถิติ (Statistical Learning Theory) และแสดงผลลัพธ์เชิงประจักษ์ที่มีความเป็นไปได้ในหลายการประยุกต์ใช้งานจริง ตั้งแต่การระบุตัวเลขมือเขียน (Handwritten Dig

แนวทางการจำแนกประเภทที่ได้รับการตรวจสอบอย่างมากคือเครื่องจักรเวกเตอร์สนับสนุน (Support Vector Machine - SVM) แนวทางนี้มีรากฐานในทฤษฎีการเรียนรู้ทางสถิติ (Statistical Learning Theory) และแสดงผลลัพธ์เชิงประจักษ์ที่มีความเป็นไปได้ในหลายการประยุกต์ใช้งานจริง ตั้งแต่การระบุตัวเลขมือเขียน (Handwritten Dig

ค่าผิดปกติ (Outlier) เป็นวัตถุข้อมูลที่แตกต่างออกไปอย่างมีนัยสำคัญจากวัตถุอื่นๆ เหมือนว่ามันถูกสร้างโดยกลไกที่ต่างกัน สำหรับวัตถุประสงค์ของการสาธิต สามารถกำหนดวัตถุข้อมูลที่ไม่ใช่ค่าผิดปกติว่าเป็น ปกติ (Normal) หรือข้อมูลที่คาดหวัง ปกติแล้ว กำหนดค่าผิดปกติว่าเป็น ผิดปกติ (Abnormal) ข้อมูล ค่าผิดปกต

ผลของการรวมสมมติฐานหลายอย่างสามารถตรวจสอบได้ผ่านอุปกรณ์ทางทฤษฎีที่เรียกว่าการแยกส่วน Bias-Variance (Bias-Variance Decomposition) สมมติว่ามีชุดฝึกอบรมที่แยกจากกัน (Separate Training Sets) จำนวนไม่จำกัด ที่มีขนาดเท่ากัน และใช้พวกมันสร้างตัวแบ่งประเภท (Classifiers) จำนวนไม่จำกัด อินสแตนซ์ทดสอบถูกจัดกา

Weka เป็นชุดของอัลกอริทึมการเรียนรู้ของเครื่อง (Machine Learning Algorithms) สำหรับบริการการเหมืองข้อมูล อัลกอริทึมสามารถนำไปใช้โดยตรงกับชุดข้อมูลหรือจากโปรแกรม Java ของคุณเอง มันรวมเครื่องมือสำหรับการเตรียมข้อมูลล่วงหน้า (Data Pre-processing), การจำแนกประเภท (Classification), การถดถอย (Regression),

ในตัวประเมินแอตทริบิวต์เดี่ยว (Single-Attribute Evaluators) สามารถใช้กับวิธีค้นหา Ranker (Ranker Search Methods) เพื่อสร้างรายการที่จัดอันดับ (Ranked List) ซึ่ง Ranker ทิ้งจำนวนที่กำหนด ใช้ในวิธี RankSearch ด้วย Relief Attribute Eval แบบอิงอินสแตนซ์ (Instance-based) สุ่มตัวอย่างอินสแตนซ์และตรวจสอบอ

การทดสอบสมมติฐาน (Hypothesis Testing) เป็นแนวทางที่เรียบง่ายที่สุดในการบูรณาการข้อมูลเข้าสู่กระบวนการตัดสินใจของบริษัท วัตถุประสงค์ของการทดสอบสมมติฐานคือการยืนยันหรือโป้งพังแนวคิดที่มีอยู่ล่วงหน้า (Preconceived Ideas) และเป็นส่วนหนึ่งของการทำเหมืองข้อมูลเกือบทุกครั้ง นักเหมืองข้อมูล (Data Miners) ข

การเหมืองข้อมูล (Data Mining) เป็นกระบวนการค้นหาความสัมพันธ์ รูปแบบ และแนวโน้มที่มีประโยชน์และใหม่ๆ โดยการผ่านปริมาณข้อมูลมากที่จัดเก็บในที่เก็บ (Repositories) ใช้เทคโนโลยีการรู้จักรูปแบบ (Pattern Recognition) รวมถึงเทคนิคทางสถิติและคณิตศาสตร์ เป็นการวิเคราะห์ชุดข้อมูลเชิงเท็จจริง (Factual Datasets)

การแปลงตัวแปร (Variable Transformation) หมายถึงการแปลงที่นำไปใช้กับค่าบางค่าของตัวแปร กล่าวอีกนัยหนึ่ง สำหรับทุกวัตถุ การแปลงจะถูกนำไปใช้กับค่าของตัวแปรสำหรับวัตถุนั้น ตัวอย่างเช่น หากความสำคัญของตัวแปรเท่านั้นที่สำคัญ ค่าของตัวแปรสามารถเปลี่ยนแปลงได้โดยการสร้างค่าสัมบูรณ์ (Absolute Value) มีสองประ

การนำเข้าต้นไม้ตัดสินใจ (Decision Tree Induction) เป็นการเรียนรู้ต้นไม้ตัดสินใจจากทูเพิลฝึกอบรมที่ติดฉลากคลาส (Class-labeled Training Tuples) ต้นไม้ตัดสินใจเป็นโครงสร้างต้นไม้แบบแผนภาพลำดับขั้นตอน (Sequential Diagram-like) ที่โหนดภายในทุกโหนด (Non-leaf Node) บ่งชี้การทดสอบบนแอตทริบิวต์ แต่ละกิ่งกำหน

มีลักษณะเฉพาะต่างๆ ของการนำเข้าต้นไม้ตัดสินใจ (Decision Tree Induction) ดังนี้: การนำเข้าต้นไม้ตัดสินใจเป็นวิธีแบบไม่พารามิเตอร์ (Nonparametric) สำหรับสร้างโมเดลการจำแนกประเภท กล่าวอีกนัยหนึ่ง มันไม่ต้องการสมมติฐานก่อนหน้าใดๆ เกี่ยวกับประเภทของการกระจายความน่าจะเป็นที่คลาสและแอตทริบิวต์ต่างๆ ตอบสนอ

มีหลายวิธีสำหรับประมาณค่าข้อผิดพลาดการทำให้ทั่วไป (Generalization Error) ของโมเดลระหว่างการฝึกอบรม ข้อผิดพลาดที่ประมาณค่าช่วยให้อัลกอริทึมการเรียนรู้ทำการเลือกโมเดล (Model Selection) คือการค้นพบโมเดลที่มีความซับซ้อนเหมาะสมที่ไม่ได้รับผลกระทบจากการเรียนรู้เกิน (Overfitting) เนื่องจากโมเดลถูกสร้างขึ้

ปัญหาที่พบบ่อยในการเหมืองข้อมูลคือการใช้สมการถดถอย (Regression Equation) เพื่อทำนายค่าของตัวแปร従属 (Dependent Variable) เมื่อเรามีตัวแปรหลายตัวพร้อมเลือกเป็นตัวทำนาย (Predictors) ในโมเดลนี้ ข้อพิจารณาอื่นที่สนับสนุนการรวมตัวแปรจำนวนมากในหวังว่าความสัมพันธ์ที่ซ่อนอยู่จะ浮出 มากขึ้น บริษัทหนึ่งพบว่าลูกค

อัลกอริทึม k-เพื่อนบ้านใกล้ที่สุด (k-Nearest-Neighbors) เป็นแนวทางการจำแนกประเภทที่ไม่สร้างสมมติฐานเกี่ยวกับโครงสร้างของความสัมพันธ์ระหว่างการเป็นสมาชิกคลาส (Y) และตัวทำนาย X1, X2,… Xn นี่เป็นแนวทางแบบไม่พารามิเตอร์ (Nonparametric) เพราะไม่รวมการประมาณค่าพารามิเตอร์ในรูปแบบฟังก์ชันที่แฝงไว้ รวมถึงร