PDF-Download - Deutsche Geodätische Kommission

28 KAPITEL 3. DATA MINING UND KNOWLEDGE DISCOVERY IN DATENBANKEN
3.2.3 Data Mining Methoden
Im folgenden sind kurz die wesentlichen Methoden aufgelistet, die zur Lösung von Data Mining Aufgaben
eingesetzt werden:
• Entscheidungsbäume
• Entscheidungsregeln
• Klassifikationsmethoden
• Nichtlineare Regression
• Statistik
• Beispielbasierte Methoden
• Induktive logische Programmierung
• Wahrscheinlichkeitsbasierte Abhängigkeitsgraphen
3.3 Raumbezogenes Data Mining
Im folgenden soll nur ein kurzer Überblick über das Gebiet des räumlichen Data Minings in Bezug auf geographische
Informationssysteme gegeben werden. Koperski et al. (1996) geben einen ausführlichen Überblick zum
Stand der Forschung und über zukünftige Entwicklungen auf dem Gebiet des Spatial Data Mining.
Spatial Data Mining ist die Erweiterung von Data Mining Methoden von Datenbanken ohne Raumbezug auf
raumbezogene Datenbanken. Neben den Gebieten maschinelles Lernen, Statistik, Datenvisualisierung und Informationstheorie
kommen nun die Gebiete der räumlichen Datenbanken (räumliche Indexstrukturen) und der
algorithmischen Geometrie dazu. Techniken des Spatial Data Mining finden eine breite Anwendung in Geo-
Informationssystemen (Bill & Fritsch 1991) und in der Fernerkundung. Diese Techniken können dazu verwendet
werden, räumliche Daten zu verstehen, d. h. z. B. nach Beziehungen zwischen raumbezogenen Daten oder
Beziehungen zwischen raumbezogenen und nicht raumbezogenen Daten zu suchen, raumbezogene Daten zu
klassifizieren, Anfrageoptimierungen durchzuführen oder raumbezogene Wissensdatenbanken aufzubauen.
Die wesentlichen räumlichen Data Mining Aufgaben sind:
• Räumliche Objekt Charakterisierung: Erweiterung der Operation ”
Generalisierung / Zusammenfassung“
auf räumliche Datenbanken.
• Räumliches Clustering bezieht, gegenüber dem klassischen Clustering, die räumliche Nachbarschaft
mit ein. Ein wesentliches Problem dabei ist, die räumliche Nachbarschaft in einer geeigneten Weise zu
definieren.
• Räumliche Assoziationsregeln (Koperski & Han 1995) berücksichtigen zusätzlich räumliche Relationen.
Dazu gehören topologische (Adjazenz, Überlappung, etc.) und geometrische (Abstand, Größe, etc.)
Relationen.
• Räumliche Muster: Erweiterung der ”
Trendanalyse / Änderungserkennung“ auf räumliche Datenbanken.
Dieses Gebiet ist besonders für räumlich temporale Datenbanken interessant. Ein räumliches Muster
beschreibt die charakteristische Struktur von räumlich verteilten Objekten oder deren Veränderung. Eine
Gruppe von Gebäuden entlang einer Straße kann z.B. eine lineare Struktur besitzen.
Im Bereich der Geo-Informationssysteme ergeben sich im wesentlichen folgende Aufgabenstellungen, die durch
Spatial Data Mining Methoden unterstützt werden können: