 |
| |
 |
 |
홈쇼핑 회사에서 소비자가 구매한 물건의 목록을 관찰하여 다음에 구매할 가능성이 높은 물건들의 쿠폰이나 카달로그를 발송합니다.
|
|
우편주문이나 전자상거래 사이트에서 고객이 미래에 구매할 물건을 예측하는데 사용할 수 있습니다. |
|
병원의 진료 기록을 보고 과거의 어떤 증상이나 치료과정이 현재 걸린 병을 유발하는 원인이었는지를 찾아내는데 이용할 수 있습니다.
|
|
 |
 |
90년대 초에 소개되어 널리 사용되는 데이터 마이닝의 가장 대표적인 기법으로 백화점이나 슈퍼에서 장바구니에 함께 구매한 상품들에 관한 규칙을 찾아내는 기술입니다.
|
예) DVD Player 를 사는 고객의 90%는 DVD Title 을 구매한다.
{DVD player} -> {DVD Title} with confidence 90% |
|
|
 |
|
새로운 데이터가 있을 때 이것이 기존의 어떤 유형의 집합에 속하는지를 예측하는 기술입니다.
|
잘 정련된 데이터(샘플 데이터 , 전체 데이터)를 학습한 후 새로 들어오는 데이터에 대해 기존 학습 결과로부터 얻은 분류 모델의 어느 부분에 속하는지 예측
|
|
Decision Tree 가 대표적인 방법으로 결과 이해가 용이 |
|
|
시간적인 순서대로 일어난 사건을 기록한 데이터를 분석하여 빈도수가 높은 순차패턴을 찾아내는 기술입니다.
|
예) 분유와 기저귀를 처음 구입한 사람은 6개월 후 보행기나 유모차를 구입한다.
{(분유, 기저귀) (보행기)} , {(분유, 기저귀) (유모차)}
|
|
|
 |
|
전체 데이터의 분포 상태나 패턴을 찾아내는데 유용한 기법 중 하나로 동일한 특성으로 군집을 만들어 내는 기술입니다.
|
주어진 n 개의 점을 k 개의 그룹 (cluster) 으로 나누는 것 |
|
분류 (classification) 와 다른 점은 각 클래스에 해당하는 정보가 제공되지 않고, 분류 규칙을 학습할 예제 데이터가 주어지지 않는다는 점 |
|
|
 |
|
전체 데이터 집합(cluster 또는 segment) 에서 가장 멀리 떨어져 있는 데이터(예외적인 데이터)를 찾아내는 기술입니다.
|
주어진 n 개의 데이터를 갖는 집합에서 각각의 데이터를 중심으로 가장 가까운 k 개를 추출하여 k 개의 거리를 합산합니다. 그 합산 값이 가장 큰 데이터를 ‘아웃라이어’ 라 하고, 중심에서 가장 멀리 떨어져 있는 데이터를 찾아주는 방법입니다. |
|
예) 특정 고객과 성향이 정 반대인 고객을 찾는다. |
|
예) 고객 데이터 중에서 일반고객 보다 연봉이 월등히 높은 고객을 찾는다. |
|
|
