تکنیک های داده کاوی (Data Mining Techniques)

تجسم داده ها یکی دیگر از عناصر مهم داده کاوی است.آنها به کاربران براساس اطلاعات حسی که افراد می توانند ببینند بینش می دهند.

تجسم داده های امروز پویا است ، برای پخش جریانی داده ها در زمان واقعی مفید است با رنگ های مختلف مشخص می شود که روندها و الگوهای مختلف داده ها را نشان می دهد.

گاهی اوقات هدف داده کاوی تنها توصیف آن چیزی است که در یک پایگاه داده پیچیده درجریان است. نتایج نمایه سازی درک ما را از مردم محصولات یا فرآیندهایی که داده ها را در مرحله اول تولید کرده اند افزایش میدهد. توصیف خوب رفتار اغلب توضیح خوبی هم به همراه دارد. شکاف جنسیتی مشهور در سیاست آمریکا مثالی از این دست است که چگونه این توصیف ساده که تعداد زنان حامی حزب دمکرات بیش از مردان است می تواند توده بیشتر و مطالعات تکمیلی را برای روزنامه نگاران وجامعه شناسان اقتصاد دانان و دانشمندان علوم سیاسی ایجاد کند

. سه وظیفه نخست مثال هایی از داده کاوی جهت دار است. در داده کاوی جهت دار همیشه یک متغیر هدف ورود دارد  برخی مواقع دسته بندی میشود تخمین زده میشود یا پیش بینی میشود. روال ساختن یک دسته بند با یک مجموعه پیش تعریف شده کلاس ها و مثالهایی از رکوردهایی شروع میشود که در حال حاضر بخوبی کلاس بندی شده اند.

بطور مشابه روال ساختن یک تخمین گر با داده های سابقه ای شروع میشود که مقدار متغیر مقصد برای آنها در حال حاضر مشخص است. وظیفه مدل سازی یافتن قوانینی است که مقادیر شناخته شده متغیر هدف را توضیح دهد.  در داده کاوی غیر جهت دار هیچ متغیر هدفی وجود ندارد.

گروه بندی وابستگی و خوشه بندی، داده کاوی بدون جهت هستند. وظیفه داده کاوی یافتن الگوهای موازی است که به هیچ متغیری مقید نیستند. یک شکل رایج داده کاوی غیرجهتدار خوشه بندی است که گروه هایی از رکوردهای مشابه را می یابد بدون هیچ دستورالعملی درباره اینکه به چه متغیری باید بیشستر توجه شود. داده کاوی غیر جهت دار با طبیعتش توصیف شده است.

داشبورد راهی قدرتمند برای استفاده از تجسم داده ها برای کشف بینش داده کاوی است.

سازمان ها می توانند به جای استفاده ساده از خروجی های عددی مدل های آماری ، داشبوردها را بر اساس معیارهای مختلف قرار دهند و از تجسمات برای برجسته سازی بصری الگوها در داده ها استفاده کنند.