مدلهای داده کاوی

مهمترین مدلهای دادهکاوی عبارتند از:

شبکه های عصبی با الهام گیری از الگوی مغز انـسان ضـمن فرآینـد

 شبکه های عصبی آموزش، اطلاعات مربوطه را درون شبکه ذخیره می نمایند. این شبکه امکان یادگی ری داشته و همانند شبکه های زیستی میتواند با توجه به اطلاعات اولیـه چیـزی را بیـاموزد ویـا بـر اساس آموخته های خود تصمیمگیری نماید. :

درخت تصمیم : یک ساختار درختی خاص کـه بـرای کمـک بـه تـصمیم گیـری سـاخته  میشودواز آن برای تقسیم مجموعه ای بزرگ از داده های جمع آوری شده به مجموعه هـای کوچکتر زنجیره وار داده ها استفاده می شود و این عمل به واسطه یک سـری قـوانین سـاده تصمیمگیری صورت میگیرد.در هر تقسیم بندی متوالی، اعضای مجموعههای حاصله بیش از پیش به یکدیگر شبیه میشوند.

استنتاج قوانین

روشی بـرای مجموعـه ای از قـوانین اسـت کـه مـوارد را  استنتاج قوانین دستهبندی می کند.اگرچه درخت های تصمیم می توانند مجموعه ای از قوانین را ایجاد کنـد، متدهای استنتاج قوانین، مجموعه ای از قوانین مستقل را ایجاد می کند که لزوما یک درخت را ایجاد نمیکنند. اسـتخراج قـوانین رسـمی از مجموعـه ای از مـشاهدات اسـت . قواعـد استخراج شده می تواند نشان دهنده یک مدل علمی کامل از داده ها بوده و یا صرفا الگـوی محلی(محدود) دادهها را نشان دهد.

تحلیل ممیزی  رگرسیون (مدل لجستیک)

تحلیل ممیز و رگرسیون مدل لجستیک زمانی به کار می روند که بخواهیم عضویت در یک طبقه را پیش بینی کنیم نه مقدار یک متغیر کمی را . زمانی که متغیر پاسخ (طبقات) بیش از دو حالت است از تحلیل ممیز وز مانی که متغیر پاسخ فقط دو حالت را بـه خـود مـی گیـرد مـی تـوان از رگرسیون مدل لجستیک استفاده نمود.

مدلهای جمعی تعمیم یافته( افزودنی کلـی )

یـک مـدل آمـاری بـرای ترکیـب خـواص  مدلهای تعمیم یافته ومدل های جمعی است . درمدلهای جمعی تعمـیم یافتـه، پیـشگویی کننده خطی که درمدل تعمیم یافته خطی استفاده می شود، تابع جمعی ازمتغیرهـای مـستقل است ای. ن روش در واقع بسطی بر روشهای رگرسیون خطی و رگرسیون منطقی است