Data mining, also called KnowledgeDiscovery in Databases (KDD), is the process
of automatically searching large volumes of
data for patterns using specific DM technique.
Goal of the data mining process is to extract
information from a data set and transform it to
an user understandable structure. Data mining
uses the information from the past to analyze
the outcome of a particular problem or
situation that may arise. Data Mining works to
analyze the data stored in data warehouse and
also store the data that is being analyzed. Data
Mining involves six common classes namely:
Anomaly Detection, Association rules
learning, Clustering, Classification and
Regression.
Spatial data miningis the application
of data mining methods to spatial data. Goal
of Spatial data mining is to find patterns in
data with respect to Geography. Data mining
offers great potential benefits for GIS (
Geographic Information System) based
decision making.Spatial databases mainly
store two types of data: raster data
(satellite/aerial digital images) and vector data
(points, lines, polygons). Need of Spatial
database. To store and query data that
represents objects defined in a geometric
space. To handle more complex structures
such as 3D objects, topological coverage’s,
linear networks, etc.
Some of its Issues and Challenges are
described here: 1) The unique characteristic of
spatial datasets requires significant
modification of data mining techniques so that
they can exploit the rich spatial and temporal
relationships and patterns embedded in the
datasets. 2) The attributes of neighboring
patterns may have significant influence on a
pattern and should be considered.
3)Visualization of the spatial patterns,
scalability of data mining methods, data
structures to represent and efficiently index
spatial datasets are also challenging issues. 4)
Spatial and temporal relationships like
distance, topology, direction, before and after
are information bearing. They need to be
considered in spatiotemporal data analysis and
mining.
การทําเหมืองข้อมูลที่เรียกว่า knowledgediscovery ในฐานข้อมูล ( KDD ) เป็นขั้นตอนของการค้นหาปริมาณมากโดยอัตโนมัติ
ข้อมูลโดยใช้เทคนิคและรูปแบบเฉพาะเจาะจง
เป้าหมายของ Data Mining กระบวนการที่จะสกัด
ข้อมูลจากชุดข้อมูลและแปลงมันให้
ผู้ใช้เข้าใจโครงสร้าง การทำเหมืองข้อมูล
ใช้ข้อมูลในอดีตมาวิเคราะห์
ผลของ
เฉพาะปัญหาหรือสถานการณ์ที่อาจเกิดขึ้น การทำเหมืองข้อมูลงาน
วิเคราะห์ข้อมูลที่เก็บไว้ในคลังข้อมูลและ
ยังเก็บข้อมูลที่ถูกวิเคราะห์ การทำเหมืองข้อมูล
เกี่ยวข้องกับหกชั้นเรียนทั่วไปคือ :
ตรวจจับสิ่งผิดปกติ สมาคมการเรียนรู้กฎ
,
สำหรับการจำแนกและการถดถอย ข้อมูลเชิงพื้นที่ miningis ใบสมัคร
วิธีการทำเหมืองข้อมูลกับข้อมูลเชิงพื้นที่ การทำเหมืองข้อมูลเชิงพื้นที่เป็นเป้าหมาย
เพื่อหารูปแบบในข้อมูลเกี่ยวกับภูมิศาสตร์ การทำเหมืองข้อมูล
มีคุณประโยชน์ศักยภาพที่ดีสำหรับ GIS ( ระบบสารสนเทศภูมิศาสตร์
) ตามการตัดสินใจ ฐานข้อมูลส่วนใหญ่
ร้านสองประเภทของข้อมูล : ข้อมูลราสเตอร์
( ดาวเทียมภาพถ่ายทางอากาศภาพดิจิตอล ) และเวกเตอร์ข้อมูล
( จุด , เส้น , รูปหลายเหลี่ยม ) ต้องการของพื้นที่
ฐานข้อมูล การจัดเก็บและเรียกค้นข้อมูลที่แสดงถึงวัตถุที่กำหนดไว้ในพื้นที่
ทางเรขาคณิต . การจัดการที่ซับซ้อนมากขึ้นโครงสร้าง
เช่นวัตถุ 3 มิติรูปแบบความคุ้มครองของเครือข่ายเชิงเส้น
, ฯลฯ บางส่วนของปัญหาและความท้าทาย
อธิบายไว้ที่นี่ : 1 ) ลักษณะเฉพาะของข้อมูลเชิงพื้นที่ที่สำคัญ
ต้องปรับเปลี่ยนเทคนิคเหมืองข้อมูลเพื่อ
พวกเขาสามารถใช้ประโยชน์จากพื้นที่ที่อุดมไปด้วยและความสัมพันธ์ชั่วคราว
และรูปแบบฝังตัวในชุดข้อมูล 2 ) คุณลักษณะของรูปแบบเพื่อนบ้าน
อาจมีผลต่อเป็นรูปแบบและควรพิจารณา
3 ) การแสดงผลของรูปแบบการ
( วิธีการทำเหมืองข้อมูลข้อมูล
โครงสร้างของดัชนีและข้อมูลเชิงพื้นที่ได้อย่างมีประสิทธิภาพ
ยังมีประเด็นที่ท้าทาย . 4 )
พื้นที่และเวลาความสัมพันธ์เหมือน
ระยะทาง ทิศทาง โครงสร้าง , , ก่อนและหลัง
เป็นข้อมูลที่มีเครื่องหมาย พวกเขาจะต้องมีการพิจารณาในการวิเคราะห์ข้อมูลและ spatiotemporal
เหมืองแร่
การแปล กรุณารอสักครู่..