Classification is the most commonly

Classification is the most commonly applied data mining technique, which employs a set of pre-classified examples to develop a model that can classify the population of records at large. Fraud detection and credit risk applications are particularly well suited to this type of analysis. This approach frequently employs decision tree or neural network-based classification algorithms. The data classification process involves learning and classification. In Learning the training data are analyzed by classification algorithm. In classification test data are used to estimate the accuracy of the classification rules. If the accuracy is acceptable the rules can be applied to the new data tuples. For a fraud detection application, this would include complete records of both fraudulent and valid activities determined on a record-by-record basis. The classifier-training algorithm uses these pre-classified examples to determine the set of parameters required for proper discrimination. The algorithm then encodes these parameters into a model called a classifier.

ผลลัพธ์ (ไทย) 1:

ประเภทคือ เทคนิคการทำเหมืองข้อมูลที่ใช้กันมากที่สุด ซึ่งใช้ชุดของตัวอย่างก่อนจัดเพื่อพัฒนาแบบจำลองที่สามารถจัดประเภทประชากรของระเบียนมีขนาดใหญ่ งานฉ้อโกงเครดิตและตรวจหาความเสี่ยงเป็นอย่างยิ่งเหมาะกับการวิเคราะห์ชนิดนี้ วิธีการนี้มักใช้ต้นไม้ตัดสินใจหรืออัลกอริทึมการจัดประเภทเครือข่ายประสาท การจัดประเภทข้อมูลที่เกี่ยวข้องกับการเรียนรู้และการจัดประเภท ในการเรียนรู้ ข้อมูลการฝึกอบรมจะถูกวิเคราะห์ โดยอัลกอริทึมการจัดประเภท ในการจัดประเภท ข้อมูลทดสอบที่ใช้ในการประเมินความถูกต้องของกฎการจัดประเภท ถ้าความถูกต้องเป็นที่ยอมรับ กฎสามารถใช้กับ tuples ข้อมูลใหม่ โปรแกรมตรวจหาการฉ้อโกง นี้จะรวมระเบียนที่สมบูรณ์ของทั้งหลอกลวง และถูกกำหนดตามระเบียนโดยระเบียน อัลกอริทึมการฝึกอบรมจำแนกใช้ตัวอย่างเหล่านี้ก่อนจัดเพื่อกำหนดชุดของพารามิเตอร์ที่จำเป็นสำหรับการเลือกปฏิบัติที่เหมาะสม อัลกอริทึมการจแมปพารามิเตอร์เหล่านี้เป็นโมเดลที่เรียกว่าการจำแนกแล้ว

ผลลัพธ์ (ไทย) 2:

การจัดหมวดหมู่เป็นที่ใช้กันมากที่สุดเทคนิคการทำเหมืองข้อมูลซึ่งมีพนักงานชุดของตัวอย่างก่อนจัดเพื่อพัฒนารูปแบบที่สามารถจำแนกประชากรของระเบียนที่มีขนาดใหญ่ ตรวจสอบการทุจริตและความเสี่ยงด้านเครดิตการใช้งานที่เหมาะอย่างยิ่งกับประเภทของการวิเคราะห์นี้ วิธีนี้มักมีพนักงานต้นไม้ตัดสินใจหรือขั้นตอนวิธีการจัดหมวดหมู่ตามเครือข่ายประสาทเทียม ขั้นตอนการจัดหมวดหมู่ข้อมูลที่เกี่ยวข้องกับการเรียนรู้และการจัดหมวดหมู่ ในการเรียนรู้ข้อมูลการฝึกอบรมได้รับการวิเคราะห์โดยวิธีการจัดหมวดหมู่ ในการจำแนกประเภทข้อมูลการทดสอบจะใช้ในการประเมินความถูกต้องของกฎการจัดหมวดหมู่ ถ้าความถูกต้องเป็นที่ยอมรับกฎที่สามารถนำไปใช้กับ tuples ข้อมูลใหม่ สำหรับการประยุกต์ใช้ตรวจสอบการทุจริตนี้จะรวมระเบียนที่สมบูรณ์ของกิจกรรมทั้งหลอกลวงและถูกต้องกำหนดบนพื้นฐานที่บันทึกโดยบันทึก อัลกอริทึมลักษณนามฝึกอบรมจะใช้ตัวอย่างก่อนจัดเหล่านี้เพื่อกำหนดชุดของพารามิเตอร์ที่จำเป็นสำหรับการเลือกปฏิบัติที่เหมาะสม ขั้นตอนวิธีการเข้ารหัสแล้วพารามิเตอร์เหล่านี้ในรูปแบบที่เรียกว่าลักษณนาม

ผลลัพธ์ (ไทย) 3:

ประเภท คือ ส่วนใหญ่นิยมใช้เทคนิคเหมืองข้อมูลที่ใช้ชุดก่อนจัดตัวอย่างการพัฒนารูปแบบที่สามารถจำแนกประชากรของระเบียนที่มีขนาดใหญ่ การตรวจสอบการทุจริตและการประยุกต์ใช้การบริหารความเสี่ยงสินเชื่อโดยเฉพาะอย่างยิ่งเหมาะที่จะวิเคราะห์ชนิดนี้ วิธีนี้มักใช้ต้นไม้ตัดสินใจการจำแนกหรือเครือข่ายประสาทขั้นตอนวิธี ข้อมูลการจำแนกกระบวนการเกี่ยวข้องกับการเรียนรู้และการจำแนก ในการเรียนรู้ข้อมูลการฝึกอบรมโดยใช้ขั้นตอนวิธีการจำแนก ในการใช้ข้อมูลทดสอบเพื่อประเมินความถูกต้องของการจำแนกกฎ ถ้าความถูกต้องเป็นที่ยอมรับกฎสามารถใช้กับใหม่ที่มีข้อมูล สำหรับการตรวจสอบทุจริตการประยุกต์ใช้ นี้จะรวมถึงการบันทึกที่สมบูรณ์ของกิจกรรมทั้งหลอกลวงและถูกต้องระบุในบันทึกโดยบันทึกพื้นฐาน การจำแนกการใช้อัลกอริทึมเหล่านี้ก่อนจัดตัวอย่างเพื่อตรวจสอบชุดของพารามิเตอร์ที่จำเป็นสำหรับการเลือกปฏิบัติที่เหมาะสม . ขั้นตอนวิธีการเข้ารหัสพารามิเตอร์เหล่านี้แล้วในรูปแบบที่เรียกว่าลักษณนาม