minería de datos

Unlike naïve Bayesian classification (which assumes class conditional independence), Bayesian belief networks allow class conditional independencies to be defined between subsets of variables. They provide a graphical model of causal relationships, on which learning can be performed. Trained Bayesian belief networks can be used for classification.
A diferencia de clasificación bayesiano ingenuo(que asume la independencia condicional de clase), Redes bayesianas permiten creencias clase independencias condicionales para definir entre subconjuntos de variables. Proporcionan un modelo gráfico de las relaciones causales, en el que el aprendizaje se puede realizar. Capacitación de redes de creencia bayesiana puede ser utilizado para la clasificación.
Backpropagation is a neural networkalgorithm for classification that employs a method of gradient descent. It searches for a set of weights that can model the data so as to minimize the mean-squared distance between the network’s class prediction and the actual class label of data tuples. Rules may be extracted from trained neural networks to help improve the interpretability of the learned network.
Retropropagación es un algoritmo dered neural de clasificación que emplea una método de descenso de gradiente. Se busca un juego de pesas que pueden modelar los datos a fin de minimizar la distancia media cuadrática entre la predicción de la clase de red y la etiqueta de clase real de tuplas de datos. Las reglas pueden ser extraídos de neural entrenada redes para ayudar a mejorar la interpretabilidad de la red aprendido.
Asupport vector machine is an algorithm for the classification of both linear and nonlinear data. It transforms the original data into a higher dimension, from where it can find a hyperplane for data separation using essential training tuples called support vectors.
Una máquina de vectores de soporte es un algoritmo para la clasificación de ambos lineal y datos no lineales. Transforma los datosoriginales en una dimensión más alta, desde donde se puede encontrar un hiperplano de separación de datos utilizando tuplas de capacitación básicos llamados apoyar vectores.
Frequent patterns reflect strong associations between attribute–value pairs (or items) in data and are used in classification based on frequent patterns. Approaches to this methodology include associative classification anddiscriminant frequent pattern–based classification. In associative classification, a classifier is built from association rules generated from frequent patterns. In discriminative frequent pattern–based classification, frequent patterns serve as combined features, which are considered in addition to single features when building a classification model.
Patrones frecuentes reflejar fuertes asociacionesentre pares atributo-valor (o artículos) en datos y se utilizan en la clasificación basada en los patrones de frecuencia. Enfoques para este metodología incluye la clasificación asociativa y frecuentes discriminante de patrón basada en la clasificación. En la clasificación asociativo, un clasificador está construido a partir de asociación reglas generadas a partir de patrones frecuentes. Endiscriminativo frecuente basada en patrones clasificación, patrones frecuentes servir como características combinadas, que se consideran en Además de las características individuales en la construcción de un modelo de clasificación.
Decision tree classifiers, Bayesian classifiers, classification by backpropagation, support vector machines, and classification based on frequent patterns are all examples ofeager learners in that they use training tuples to construct a generalization model and in this way are ready for classifying new tuples. This contrasts with lazy learners or instance-based methods of classification, such as nearest-neighbor classifiers and case-based reasoning classifiers, which store all of the training tuples in pattern space and wait until presented with a test tuple before...