Grundsätze des Data Mining

Für gute Ergebnisse bei  Data Mining ist folgendes zu beachten:

• es sind stets mehrere (viele) Experimente nötig
• es sind verschiedene Verfahren und such verschiedene Software-Werkzeuge einzusetzen und auszuprobieren, wenn dies möglich ist
• mittels vorgefertigter Komponenten können sehr schnell Data-Mining-Experimente durchgeführt werden, welche jedoch nicht das Verständnis für die verwendeten Methoden ersetzt
• kreatives Herangehen und die Implementation eigener Verarbeitungsschritte können durchaus zu besseren Ergebnissen führen
• Die Datenvorbereitung hat einen großen Einfluss auf die Resultate
• Experimentieren und das Protokollieren dieser Experimente sind für ein erfolgreiches Data Mining unerlässlich
• wenn möglich sind die Experimente zu automatisieren, um viele Varianten zu probieren und somit die Chance auf gute Ergebnisse zu erhöhen

Möglichkeiten sind zum Beispiel:

• Modifizierung der Aufteilung von Trainings- und Testdatenmenge
• Modifizierung und Codierung der Testdaten (z.B. Verfeinerung der Unterteilung von gruppierten Daten)
• Binarisierung von Merkmalen bei der Arbeit in neuronalen Netzen
• Variierung der Architektur und Lernparameter für das Trainieren neuronaler Netze
• Entwicklung von Assiziationsregeln durch Nutzung von binarisierten Merkmalen. Dabei sind die Assoziationsregeln interessant, welche eine Verbindung mit dem Klassifikationsmerkmal herstellen

Quelle

Jürgen Cleve, Uwe Lämmel: Data Mining; S. 282-284, De Gruyter Oldenbourg, 2. Aufl.