algoritmo

Algoritmo
Descripción
Reglas de asociación
Este algoritmo ayuda a descubrir elementos que están asociados. Una implementación común de este algoritmo es el análisis de la cesta de compras, donde se responde a la pregunta “¿si un cliente compra el artículo A y B, que otro artículo tenderá a comprar?” por medio de el examen de las asociaciones entre A y B con otros artículos comprados en elpasado.
Clustering
El Clustering crea grupos de objetos de datos basados en su similitud. Los objetos dentro de un cluster son similares a sí mismos y diferentes a los objetos de otros clusters. Clustering tiene una extensa aplicabilidad: en biología para el desarrollo de taxonomías; en los negocios sirve para agrupar clientes basados en su comportamiento, en geografía se usa para agrupar lugares.Arboles de decisión
Los árboles de decisión son estructuras donde una rama divide el grupo de datos para particionar su distribución. Cada rama está basada en un atributo que genera una división significativa en la información. Se pueden realizar pronósticos aplicando los valores del nuevo atributo al árbol de decisiones.
Bayes simples
Los algoritmos Bayes tienen un método sistemático deaprendizaje basado en la evidencia. Allí se combinan probabilidades condicionales e incondicionales para calcular las probabilidades de una hipótesis.
Regresión
La Regresión ayuda a descubrir la dependencia del valor de un atributo con respecto a otros atributos dentro de la misma entidad u objeto. La regresión es similar a los árboles de decisión en cuanto a su contribución para clasificar datos,pero predice atributos continuos, en lugar de separados.
Series de tiempo
Las series de tiempo representan datos en varios intervalos de tiempo o cualquier otro indicador cronológico. Este se usa para pronosticar valores futuros como la demanda y el tráfico de un sitio Web, usando técnicas en auto regresión (una rama del análisis regresivo dedicada al análisis de series de tiempo) y árboles dedecisión.

LOS MODELOS LINEALES predicen un destino continuo tomando como base las relaciones lineales entre el destino y uno o más predictores.
C:\Program Files (x86)\AIMP3\
 LA REGRESIÓN LINEAL: es una técnica estadística común utilizada para resumir datos y realizar pronósticos ajustando una superficie o línea recta que minimice las discrepancias existentes entre los valores de salidareales y los pronosticados.

 LA REGRESIÓN LOGÍSTICA: es una técnica estadística para clasificar los registros en función los valores de los campos de entrada. Es análoga a la regresión lineal pero toma un campo objetivo categórico en lugar de uno numérico.

EL MODELO REGRESIÓN DE COX: permite crear un modelo de supervivencia para datos de tiempo hasta el evento en presencia de registroscensurados. El modelo produce una función de supervivencia que pronostica la probabilidad de que el evento de interés se haya producido en el momento dado (t) para valores determinados de las variables de entrada.



FUNCIONES DE MINERÍA DE DATOS Y ALGORITMOS
IBM® InfoSphere Warehouse proporciona funciones de minería para solucionar los diversos problemas de negocio. Estas funciones deminería están agrupadas en distintos tipos de modelos de PMML y de algoritmos de minería. Cada tipo de modelo incluye diferentes algoritmos para tratar las funciones de minería individuales.
Visión general de las áreas de aplicación

Existen varias áreas de aplicación en las que se pueden usar diversas funciones de minería para obtener información de los datos.
Asociación
La función de minería Asociacionesbusca elementos de los datos que con frecuencia aparecen conjuntamente en las mismas transacciones.
Clasificación
Mediante los algoritmos de Clasificación, puede crear, validar o probar modelos de clasificación. Por ejemplo, puede analizar por qué se creó determinada clasificación o puede predecir una clasificación para nuevos datos.
Agrupación
La función de minería de Agrupación busca...