تکنیک­های داده کاوی

فرآیند داده کاوی از الگوریتم­ها و بسیاری تکنیک­های دیگر با هدف تبدیل حجم بزرگی از داده خام به خروجی مناسب بهره می­برد. شناخته­شده­ترین تکنیک­های داده کاوی شامل موارد زیر است:

• قوانین وابستگی Association Rules: این قوانین روابط میان متغیرها را جستجو می­کنند. این روابط به خودی خود در داخل مجموعه داده ارزش جدید و اضافه تولید می­کنند چرا که به دنبال ربط دادن قسمت­های مختلف داده به یکدیگر هستند. برای مثال این قوانین در تاریخچه فروش شرکت جستجو خواهند کرد تا ببیند کدام محصولات بیشتر با هم خریداری شده­اند. با در دست بودن این اطلاعات فروشگاه­ها می­توانند برنامه­ریزی و تبلیغات مناسب و موثری برای محصولات خود داشته­باشند.
• دسته­بندی Classification: این روش اشیا را به کلاس­های از پیش تعیین شده نسبت می­دهد. این کلاس­ها ویژگی­های داده­های موجود در آن­ها را تعیین کرده و یا اینکه مشخص می­کنند داده­های یک کلاس چه ویژگی­های مشترکی با هم دارند. این تکنیک داده کاوی به داده­های خام اجازه می­دهد تا به صورت منظم­تری دسته­بندی شده و در ویژگی­های مشابه خلاصه شوند.
• خوشه­بندی Clustering: خوشه­بندی مشابه با دسته­بندی است. با این حال خوشه­بندی شباهت بین اشیا را شناسایی می­کند، سپس اشیا مورد نظر را بر اساس تفاوتی که با دیگر اشیا دارند گروه­بندی می­کند. برای نمونه دسته­بندی ممکن است به کلاس­های "شامپو"، "نرم­کننده"، "صابون"، و "خمیردندان" تقسیم بندی شود درحالی­که خوشه­بندی می­تواند خوشه­های "مراقبت از مو" و "سلامت دندان" را نتیجه دهد.
• شبکه­های عصبی Neural Networks: ساختاری برگرفته از ساختار مغز انسان هستند که از نودها برای پردازش داده­ها استفاده می­کنند.