VERİ MADENCİLİĞİNİN GÖREVLERİ

VERİ MADENCİLİĞİNİN
GÖREVLERİ
VERİ MADENCİLİĞİNİN
GÖREVLERİ
Classification (Sınıflandırma)
Karakterizasyon (Betimleme)
Regression (İlişki Çıkarımı)
Clustering (Kümeleme)
Association (İlişki Analizi)
Forecasting (Tahmin Yapma)
CLASSIFICATION (SıNıFLANDıRMA)
En popüler veri madenciliği
çeşitlerinden birisidir.Temel olarak yaptığı şey
yeni bir nesnenin niteliklerini inceleme ve bu nesneyi
önceden tanımlanmış bir sınıfa atamaktadır.
Burada önemli olan ,bir sınıfın özelliklerinin önceden
net bir şekilde belirtilmiş olması gerektiğidir.
Bir malın özellikleriyle müşteri
özelliklerini eşleştirebiliriz.Böylece bir müşteri için
ideal ürün veya bir ürün için ideal müşteri profili
çıkarılabilir.
CLASSIFICATION (SıNıFLANDıRMA)
Veri içerisindeki ayrışmaların ve değişim
noktalarının önceden bilindiği durumlarda,
I.Yeni bir verinin yer alacağı grubun (sınıfın)
belirlenmesi,
II.Önceden gruplanmış (sınıflandırılmış) verilerin
doğru sınıflandırılıp sınıflandırılmadığının tespiti ve
yanlış sınıflandırma varsa gözlemin (nesnenin) doğru
gruba atanması
için kullanılır.
ÖRNEK
KARAKTERIZASYON
Veriyi
•tanımak,
•anlamak,
•doğru yöntem uygulamak,
•doğru sonuçlar elde etmek
için kullanılır.
ÖRNEK
REGRESSION
Classification’a benzer.
Temel fark, tahmin edilecek olan attribute’un
continious number (parçalanabilir birimler -1.5,
23.8 gibi-) olmasıdır.
Regresyon tekniği yüzyıllardır istatistik ana
bilim dalının bir kolu olarak öğretilmektedir.
Lineer ve lojistik regresyon, en popüler regresyon
metotlarındandır.
ÖRNEK
CLUSTERING (KÜMELEME)
Veri içerisindeki ayrışmaların ve değişim
noktalarının önceden bilinmediği durumlarda,
bir benzerlik veya benzemezlik ölçütüne göre
verileri (nesneleri) gruplamayı sağlar.
CLUSTERING (KÜMELEME)
Cluster 1, düşük gelir grubuna sahip genç
popülasyon
Cluster 2, daha yüksek gelirli ve orta-yaşlı
popülasyon
Cluster 3 ise daha düşük gelirli ve yaşlı
popülasyonu temsil ediyor.
ÖRNEK
ASSOCIATION (İLIŞKI ANALIZI)
İlişki analizi, veri içinde güçlü bir şekilde
ilişkilenmiş özelliklerin keşfini amaçlar. Genelde
bu ilişkiler kurallar şeklinde ifade bulur.
Verinin özellikleri arasındaki olası ilişkilerin,
özellik sayısına bağlı olarak üstel bir şekilde
artması nedeniyle, ilişki analizi bir yandan zayıf
ilişkileri gözardı ederken, güçlü ilişkileri
saptamaya çalışır.
Birliktelik analizinin kullanıldığı alanlardan bir
kaçı; gen gruplarının saptanması, web sitesi
üzerinde birlikte gezilen sayfaların saptanması
ve marketten birlikte satın alınan ürünlerin
belirlenmesi sayılabilir.
ASSOCIATION (İLIŞKI ANALIZI)
Marketten birlikte alınma ihtimali yüksek ürünleri
saptanmasına Market Sepeti Analizi (Market Basket
Analysis) ismi verilmiştir. Market sepet analizi,
müşterilerin birlikte satın alma ihtimali yüksek
ürünlerin saptanarak, raf yerleşim ve fiyatlamayı ona
göre düzenlemeyi ve ciroyu artırmayı
amaçlamaktadır.
Market sepet analizi sonucunda krem peynir
alanların %80’inin ekmek aldığı bulunmuş ise bu iki
ürün grubunu rafları birbirinden uzak raflara
koyarak müşterinin markette daha uzun süre
dolaşması sağlanabileceği gibi krem peynire
yapılacak ufak bir indirime karşılık ekmekte
yapılacak daha büyük bir fiyat artışı oluşan karı
artıracaktır.
ASSOCIATION (İLIŞKI ANALIZI)
ÖRNEK
FORECASTING
Genellikle girdi olarak bir zaman serisi veri
kümesi alır; örneğin zamanı temsil eden bir
attribute ile bir dizi sayı.
Zaman serileri verileri genellikle sıra bağımlı bir
şekilde birbirine yakın değerlere sahip olurlar.
Forecasting teknikleri, genel trendler ve
periyodiklik ile uğraşır.
En popüler zaman serileri tekniği ARIMA’dır.
(AutoRegressive Integrated Moving Average)
ÖRNEK