kombiniertes data mining – klassifikation unter verwendung von ...

Abbildungsverzeichnis
Abbildung 1: Ablaufdiagamm „Kombiniertes Data Mining“ mit Clustering und
Klassifikation............................................................................................................... 5
Abbildung 2: Der KDD-Prozess .................................................................................. 9
Abbildung 3: Phasen des Clusteringprozesses nach [VHG03] ................................. 13
Abbildung 4: Beispiele für 2-dimensionale Clusterstrukturen [ES00]........................ 15
Abbildung 5: Struktur eines Klassifikators................................................................. 20
Abbildung 6: Nächste-Nachbarn-Klassifikation......................................................... 26
Abbildung 7: Entscheidungsflächen des Nächste-Nachbarn-Klassifikators.............. 26
Abbildung 8: Entscheidungsbaum ............................................................................ 28
Abbildung 9: Entscheidungsbaum-Algorithmus in Pseudocode................................ 28
Abbildung 10: Mehrwertiger Entscheidungsbaum nach dem ersten Split................. 32
Abbildung 11: Mehrwertiger endgültiger Entscheidungsbaum.................................. 32
Abbildung 12: Kombiniertes Data Mining mit Clustering und Klassifikation [GM04] .50
Abbildung 13: Ausgangsdatenbereich für die Anwendung eines CLTrees ............... 55
Abbildung 14: Klassifizierter, mit N-points angereicherter Datenbereich .................. 55
Abbildung 15: Bestimmen der N-Punkte................................................................... 56
Abbildung 16: Split auf beiden Seiten der Daten ...................................................... 57
Abbildung 17: K-Means-Algorithmus in Pseudocode................................................ 60
Abbildung 18: Beispiel für K-Means Algorithmus...................................................... 60
Abbildung 19: SLIQ in Pseudocode.......................................................................... 63
Abbildung 20: Klassenlisten und Entscheidungsbäume bei SLIQ ............................ 64
Abbildung 21: Histogramme für ein numerisches Attribut bei SPRINT ..................... 66
Abbildung 22: Attributlisten und Entscheidungsbaum nach Split über das Attribut
„Alter“........................................................................................................................ 66
Abbildung 23: AVC-Sets für den Wurzelknoten N1 .................................................. 68
Abbildung 24: AVC-Sets für die Knoten N2 und N3.................................................. 68
Abbildung 25: RainForest-Framework in Pseudocode ............................................. 69
Abbildung 26: Vergleich von Hilfsinformationen zu Dimensionen und zu Clustern... 78
Abbildung 27: Cluster mit nahen und entfernten Punkten ........................................ 80
Abbildung 28: Split mit minOverlapCluster ............................................................... 82
Abbildung 29: Dichtefunktionen mit vier Schnittpunkten........................................... 83
Abbildung 30: Relevanter Schnittpunkt zweier Dichtefunktionen.............................. 84
Seite III