ERSTELLUNG EINER ONTOLOGIE FÜR EIN SEMANTISCHES SUCHSYSTEM MITTELS DATA MINING

Data-Mining-Techniken umfassen das Aufspüren von Mustern, Klassifizierung, Assoziation, Ausreißererkennung, Clustering, Regression und Vorhersage. Der erste Schritt des Data Mining ist das Aufspüren von Mustern, bei dem Data Mining lernt, Muster in Datensätzen zu erkennen. Die Klassifizierung ist der zweite Schritt im Data Mining, eine komplexere Data-Mining-Technik, die den Benutzer zwingt, verschiedene Attribute zu sammeln. Die Assoziation ist mit dem Aufspüren von Mustern verwandt, bezieht sich aber eher auf abhängig verknüpfte Variablen. Die Ausreißererkennung, bei der lediglich das übergreifende Muster erkannt wird, kann kein klares Verständnis des Datensatzes vermitteln und wird als dritter Schritt des Data Mining betrachtet. Der nächste Schritt im Data Mining ist das Clustering, das der Klassifizierung sehr ähnlich ist, aber die Gruppierung von Datenblöcken auf der Grundlage ihrer Ähnlichkeiten beinhaltet. Die Regression, die in erster Linie als eine Form der Planung und Modellierung verwendet wird, dient dazu, eine bestimmte Variable zu identifizieren, wenn andere Variablen vorhanden sind. Der letzte Schritt der Data-Mining-Technik ist die Vorhersage. Sie ist eine der wertvollsten Data-Mining-Techniken.

Autorentext

Dr. RM. Vidhyavathi hat an der Alagappa University im Bereich Informatik promoviert und arbeitet derzeit als Assistenzprofessorin in der Abteilung für Bioinformatik an der Alagappa University in Tamil Nadu, Indien, wo sie in den Bereichen Data Mining, maschinelles Lernen, Datenbankentwicklung und künstliche Intelligenz forscht.