เทคนิคชั้นหนึ่งที่ผลิตขึ้นสำหรับรูปแบบการขุดไม่บ่อยนักจะพิจารณาว่าแต่ละรายการเป็นตัวแปรไบนารีสมมาตร ข้อมูลธุรกรรมสามารถถูกไบนารีโดยการเพิ่มรายการด้วยรายการเชิงลบ จะแสดงอินสแตนซ์ของการเปลี่ยนแปลงข้อมูลเริ่มต้นเป็นธุรกรรมที่มีทั้งรายการบวกและลบ ด้วยการใช้อัลกอริธึมการสร้างชุดไอเท็มที่ใช้บ่อยในปัจจุบัน

มีสองวิธีในการกำหนดการสนับสนุนที่คาดหวังของรูปแบบโดยใช้ (ลำดับชั้นของแนวคิดและแนวทางตามพื้นที่ใกล้เคียงที่เรียกว่าการเชื่อมโยงทางอ้อม สนับสนุนความคาดหวังตามลำดับชั้นของแนวคิด การวัดผลตามวัตถุประสงค์เพียงอย่างเดียวไม่สามารถลบรูปแบบที่ไม่น่าสนใจออกไปได้ ตัวอย่างเช่น พิจารณาว่าขนมปังและคอมพิวเตอร์แล

กระบวนการรวมชุดของวัตถุทางกายภาพหรือนามธรรมเข้าในคลาสของวัตถุเดียวกันนั้นเรียกว่าการจัดกลุ่ม คลัสเตอร์คือชุดของออบเจ็กต์ข้อมูลที่เหมือนกันภายในคลัสเตอร์เดียวกันและแตกต่างจากออบเจ็กต์ในคลัสเตอร์อื่น คลัสเตอร์ของออบเจ็กต์ข้อมูลสามารถพิจารณารวมกันเป็นกลุ่มเดียวในหลายแอปพลิเคชัน การวิเคราะห์คลัสเตอร์เป็

การวิเคราะห์คลัสเตอร์เป็นกิจกรรมที่สำคัญของมนุษย์ การวิเคราะห์คลัสเตอร์ใช้เพื่อสร้างกลุ่มหรือคลัสเตอร์ของเร็กคอร์ดเดียวกัน ขึ้นอยู่กับการวัดต่างๆ ที่ทำกับเร็กคอร์ดเหล่านี้ การออกแบบที่สำคัญคือการกำหนดคลัสเตอร์ในลักษณะที่สามารถเป็นประโยชน์สำหรับวัตถุประสงค์ของการวิเคราะห์ ข้อมูลนี้ถูกใช้ในหลายด้าน เช

การจัดกลุ่มมีหลายประเภทดังนี้ − ลำดับชั้นเทียบกับบางส่วน การรับรู้ระหว่างการจัดกลุ่มหลายประเภทคือการที่ชุดของคลัสเตอร์จะซ้อนกันหรือไม่ซ้อน หรือในคำศัพท์ที่นิยม ลำดับชั้นหรือการแบ่งพาร์ติชัน การแบ่งกลุ่มแบบแบ่งพาร์ติชันคือการกระจายกลุ่มของออบเจ็กต์ข้อมูลไปยังชุดย่อยที่ไม่ทับซ้อนกัน (คลัสเตอร์) รวมถึ

การวิเคราะห์คลัสเตอร์ใช้เพื่อสร้างกลุ่มหรือคลัสเตอร์ของเร็กคอร์ดเดียวกัน ขึ้นอยู่กับการวัดต่างๆ ที่ทำกับเร็กคอร์ดเหล่านี้ สามารถกำหนดคลัสเตอร์ในลักษณะที่เป็นประโยชน์ต่อวัตถุประสงค์ของการวิเคราะห์ ข้อมูลนี้ถูกใช้ในหลายด้าน เช่น ดาราศาสตร์ โบราณคดี การแพทย์ เคมี การศึกษา จิตวิทยา ภาษาศาสตร์ และสังคมวิ

K-means clustering เป็นอัลกอริธึมการแบ่งพาร์ติชันที่ใช้บ่อยที่สุด K-means จะกำหนดข้อมูลใหม่ในชุดข้อมูลให้กับกลุ่มใหม่ที่สร้างขึ้นเพียงกลุ่มเดียว บันทึกหรือจุดข้อมูลถูกกำหนดให้กับคลัสเตอร์ที่ใกล้ที่สุดโดยใช้การวัดระยะทางหรือความคล้ายคลึงกัน อัลกอริธึม k-means สร้างพารามิเตอร์อินพุต k และแบ่งกลุ่มของ

K-Means Algorithm มีประเด็นต่างๆ ดังนี้ − การจัดการคลัสเตอร์ว่าง − ปัญหาแรกกับอัลกอริธึม K-mean พื้นฐานที่ให้ไว้ก่อนหน้านี้คือ สามารถรับคลัสเตอร์ null ได้หากไม่มีการจัดสรรคะแนนให้กับคลัสเตอร์ในระหว่างขั้นตอนการกำหนด หากเกิดเหตุการณ์นี้ขึ้น จำเป็นต้องใช้วิธีการในการเลือกเซนทรอยด์แทนที่ เนื่องจากข้อผิ

แนวคิดคือการสร้างตัวแยกประเภทหลายตัวจากข้อมูลเริ่มต้น จากนั้นจึงรวมการคาดการณ์เมื่ออธิบายตัวอย่างที่ไม่รู้จัก กลุ่มลักษณนามสามารถสร้างได้หลายวิธีดังนี้ − ด้วยการจัดการชุดการฝึก − ในวิธีนี้ ชุดการฝึกหลายชุดจะถูกสร้างขึ้นโดยการสุ่มตัวอย่างข้อมูลเริ่มต้นใหม่ตามการกระจายตัวอย่างบางส่วน การกระจายการสุ่ม

Random Forest เป็นคลาสของวิธีการทั้งมวลที่ออกแบบมาโดยเฉพาะสำหรับตัวแยกประเภทแผนผังการตัดสินใจ มันรวมการทำนายที่ทำโดยต้นไม้การตัดสินใจหลายต้น โดยที่ต้นไม้แต่ละต้นจะถูกสร้างขึ้นตามค่าของชุดเวกเตอร์สุ่มแยกกัน เวกเตอร์สุ่มถูกสร้างขึ้นจากการแจกแจงความน่าจะเป็นคงที่ ซึ่งแตกต่างจากวิธีการแบบปรับตัวที่ใช้ใ

ROC ย่อมาจากเส้นโค้งลักษณะการทำงานของเครื่องรับ เป็นวิธีการแบบกราฟิกสำหรับแสดงการแลกเปลี่ยนระหว่างอัตราผลบวกที่แท้จริงและอัตราผลบวกลวงของตัวแยกประเภท ในกราฟ ROC อัตราบวกที่แท้จริง (TPR) จะถูกพล็อตไว้ข้างหน้าแกน g และอัตราผลบวกลวง (FPR) จะแสดงบนแกน r จุดที่อยู่ข้างหน้าเส้นโค้งแต่ละจุดมีความสัมพันธ์กั

การสุ่มตัวอย่างเป็นวิธีที่ใช้กันอย่างแพร่หลายในการจัดการปัญหาความไม่สมดุลของคลาส แนวคิดของการสุ่มตัวอย่างคือการเปลี่ยนการกระจายตัวอย่างเพื่อให้คลาสที่หายากมีการกำหนดไว้อย่างดีในชุดฝึกอบรม มีเทคนิคต่างๆ สำหรับการสุ่มตัวอย่าง เช่น การสุ่มตัวอย่างต่ำ การสุ่มตัวอย่างเกิน และการผสมของทั้งสองวิธี ตัวอย่าง

แนวรับเป็นตัวชี้วัดที่สำคัญ เนื่องจากกฎที่มีแนวรับต่ำมากอาจปรากฏขึ้นโดยบังเอิญได้ง่าย กฎการสนับสนุนที่ต่ำก็เป็นไปได้ที่จะสร้างความเบื่อหน่ายจากมุมมองทางธุรกิจเพราะไม่สามารถทำกำไรได้เพื่อปรับปรุงรายการที่ผู้ใช้ไม่ค่อยได้ซื้อร่วมกัน กฎการเชื่อมโยงคือคำอธิบายโดยนัยของรูปแบบ X→Y โดยที่ X และ Y เป็นชุดร

การนับจำนวนการสนับสนุนเป็นขั้นตอนในการตัดสินใจความถี่ของการปรากฏสำหรับชุดไอเท็มแต่ละรายการที่รอดจากขั้นตอนการตัดแต่งกิ่งของผู้สมัครของฟังก์ชัน apriori-gen วิธีหนึ่งในการทำเช่นนี้คือการเปรียบเทียบแต่ละธุรกรรมกับแต่ละชุดไอเท็มของผู้สมัคร และเพื่อรีเฟรชจำนวนการสนับสนุนของผู้สมัครที่รวมอยู่ในธุรกรรม วิ

ความซับซ้อนในการคำนวณของอัลกอริทึม Apriori สามารถได้รับอิทธิพลจากปัจจัยดังต่อไปนี้ - เกณฑ์การสนับสนุน − การลดระดับแนวรับจะส่งผลให้ชุดไอเท็มสูงขึ้นถูกระบุบ่อยครั้ง สิ่งนี้ส่งผลเสียต่อความซับซ้อนในการคำนวณของอัลกอริทึม เนื่องจากควรมีการสร้างและนับชุดรายการตัวเลือกที่สูงขึ้น ขนาดสูงสุดของชุดรายการที่

ชุดไอเท็มที่มีความถี่สูงสุดจะแสดงเป็นชุดไอเท็มที่ใช้บ่อยซึ่งไม่มีชุดซูเปอร์เซ็ตโดยตรงอยู่บ่อยครั้ง ชุดรายการในตาข่ายแบ่งออกเป็นสองกลุ่มเช่นกลุ่มที่มีบ่อยๆและกลุ่มที่ไม่บ่อยนัก เส้นขอบของชุดรายการที่ใช้บ่อย ซึ่งกำหนดโดยเส้นประ ชุดแต่ละรายการที่อยู่เหนือเส้นขอบนั้นใช้บ่อย ในขณะที่ชุดที่อยู่ใต้เส้นขอบ

Apriori เป็นอัลกอริธึมที่เน้นย้ำถึงปัญหาของการสร้างชุดไอเท็มบ่อยครั้ง ดำเนินการนี้โดยใช้หลักการ Apriori เพื่อย่อพื้นที่การค้นหาแบบเอ็กซ์โปเนนเชียลให้สั้นลง แม้จะมีการปรับปรุงประสิทธิภาพที่สำคัญ แต่อัลกอริธึมก็ได้รับโอเวอร์เฮด I/O จำนวนมาก เนื่องจากจำเป็นต้องผ่านชุดบันทึกธุรกรรมต่างๆ การกระทำของอัลก

FP-tree เป็นคำอธิบายที่ชัดเจนของข้อมูลที่ป้อน รวบรวมโดยการอ่านชุดข้อมูลทีละรายการและวัดแต่ละธุรกรรมบนเส้นทางใน FP-tree ธุรกรรมหลายรายการสามารถมีรายการร่วมกันได้หลายรายการ เส้นทางของรายการอาจทับซ้อนกันได้ ยิ่งเส้นทางทับซ้อนกันมากเท่าไหร่ การบีบอัดข้อมูลก็จะมากขึ้นโดยใช้สถาปัตยกรรม FP-tree หากขนาดของ

เป็นอัลกอริธึมการเหนี่ยวนำกฎที่ใช้กันอย่างแพร่หลายเรียกว่า RIPPER อัลกอริธึมนี้ปรับขนาดเกือบเป็นเส้นตรงกับอินสแตนซ์การฝึกอบรมหลายตัว และเหมาะอย่างยิ่งสำหรับการสร้างแบบจำลองจากชุดข้อมูลที่มีการกระจายคลาสที่โอเวอร์โหลด RIPPER ยังทำงานได้ดีกับชุดข้อมูลที่มีสัญญาณรบกวน เนื่องจากใช้ชุดการตรวจสอบความถูกต้

กฎเพื่อนบ้านที่ใกล้ที่สุดสร้างประสิทธิภาพสูงบ่อยครั้ง โดยไม่มีข้อสันนิษฐานก่อนหน้านี้เกี่ยวกับการจัดสรรจากอินสแตนซ์การฝึกอบรมที่ถูกดึงออกมา ประกอบด้วยชุดฝึกอบรมกรณีศึกษาทั้งด้านบวกและด้านลบ ตัวอย่างใหม่ถูกกำหนดโดยการคำนวณระยะทางไปยังกรณีการฝึกอบรมที่สะดวก เครื่องหมายของจุดนั้นจะเป็นตัวกำหนดการจัดกลุ