Modelos de minería de datos

Requisito previo: minería de datos

El motivo de la minería de datos es reconocer conexiones y patrones válidos, probables, ventajosos y comprensibles en los datos existentes. La tecnología de bases de datos se ha desarrollado más donde se requiere almacenar grandes cantidades de datos en una base de datos, y la gente de negocios recopila la gran cantidad de conocimiento oculto en esos conjuntos de datos como una herramienta útil para tomar decisiones comerciales vitales. La minería de datos genera más conciencia, ya que obliga a extraer información valiosa de los datos sin procesar que las empresas pueden usar para aumentar su ventaja a través de un proceso de toma de decisiones rentable. 

La minería de datos se utiliza para representar inteligencia en bases de datos; es un procedimiento para extraer y reconocer información útil y obtener conocimiento de bases de datos utilizando técnicas matemáticas, estadísticas, de inteligencia artificial y de aprendizaje automático. La minería de datos consolida muchos algoritmos diferentes para realizar diferentes tareas. Todos estos algoritmos asimilan el modelo a los datos. Los algoritmos examinan los datos y modulan los datos más cercanos a las características de los datos que se examinan. Los algoritmos de minería de datos pueden describirse como compuestos de tres partes.

Modelo: el objetivo del modelo es ajustar el modelo a los datos.
Preferencia: se deben usar algunas pruebas de identificación para ajustar un modelo sobre otro.
Búsqueda: todos los algoritmos son necesarios para el procesamiento para encontrar datos.

Tipos de modelos de minería de datos : 

1. Modelos Predictivos
2. Modelos Descriptivos
    

Modelo predictivo:
un modelo predictivo constituye valores de preocupación de predicción de datos utilizando resultados conocidos encontrados a partir de varios datos. El modelado predictivo se puede hacer en base al uso de datos históricos variantes. Las tareas de minería de datos de modelos predictivos comprenden regresión, análisis de series temporales, clasificación y predicción.

El Modelo Predictivo se conoce como Regresión Estadística . Es una técnica de aprendizaje de monitoreo que incorpora una explicación de la dependencia de algunos valores de atributos sobre los valores de otros atributos en un elemento similar y el crecimiento de un modelo que puede predecir estos valores de atributos para casos recientes.

• Clasificación: 
  es el acto de asignar objetos a una de varias categorías predefinidas. O podemos definir la clasificación como una función de aprendizaje de una función de destino que establece cada atributo en una etiqueta de clase predefinida.
• Regresión:
  se utiliza para datos apropiados. Es una técnica que verifica valores de datos para una función. Hay dos tipos de regresión:
  1. La regresión lineal está asociada con la búsqueda de la línea óptima para ajustar los dos atributos, de modo que un atributo pueda aplicarse para predecir el otro.
  2. La regresión multilineal implica dos o más de dos atributos y los datos se ajustan al espacio multidimensional.
• Análisis de series temporales:
  es un conjunto de datos basados ​​en el tiempo. El análisis de series de tiempo sirve como variable independiente para estimar la variable dependiente en el tiempo.
• Predicción:
  predice algunos valores faltantes o desconocidos.

Modelo de descripción:
un modelo descriptivo distingue relaciones o patrones en los datos. A diferencia del modelo predictivo, un modelo descriptivo sirve como una forma de explorar las propiedades de los datos que se examinan, no para predecir nuevas propiedades, el agrupamiento, el resumen, las reglas de asociación y el descubrimiento de secuencias son tareas de minería de datos del modelo descriptivo.

Análisis descriptivo Concéntrese en resumir y convertir los datos en información significativa para monitorear y generar informes. 

• Clustering :
  es la técnica de convertir un grupo de objetos abstractos en clases de objetos idénticos.
• Resumen :
  contiene un conjunto de datos en una forma más profunda y fácil de entender.
• Reglas asociativas:
  encuentran una consistencia emocionante o una relación causal entre un gran conjunto de objetos de datos.
• Secuencia:
  es el descubrimiento de patrones interesantes en los datos en relación con alguna medida objetiva o subjetiva de lo interesante que es.