Temporale Aspekte des Data Mining - diko-project.de

Weitere Magazine

Empfehlungen

Info

ergänzt werden. Durch diese, anfangs vielleicht mühsame Erweiterung besteht in einerspäteren Phase ein großes Potential für die Datenanalyse. Nur so können temporaleUntersuchungen vorgenommen werden. Die bekannten Data Mining-Methoden,wie u.a. Clustering, Klassifikation und Assoziationsregeln können so mit temporalenMethoden ergänzt werden. Es können zeitliche Verläufe beobachtet werden undauch zeitliche Muster oder Assoziationen gefunden werden, die unter Umständenvon besonderer Bedeutung sind.Beispiele für Ergebnisse einer temporalen Betrachtung, insbesondere mögliche sequentielleMuster und zeitliche Assoziationsregeln wurden im vorangegangenen Textausführlich beschrieben. Viele dieser Beispiele können 1:1 auf dieses Projekt übertragenwerden. Dieser Beitrag kann im Projektgruppenkontext also dazu beitragen,dass sich die Projektgruppe gezielt um eine Personalisierung unter temporalenAspekten bemüht, um einerseits dem Konsumenten einen einfachen und zuvorkommendenEinkauf zu ermöglichen und andererseits den Umsatz des Händlers zusteigern.Mit Hilfe temporaler Daten kann ein Kundenverhalten optimaler analysiert werden.Und je besser ein Kundenverhalten vorausgesagt werden kann, desto gezielter kannein personalisiertes Angebot gerichtet sein.7 SchlussbetrachtungAuf den vergangenen Seiten wurden ausgewählte Techniken und Verfahren vorgestellt,die sich mit der ”temporalen Seite“ des Data Mining beschäftigen. Im erstenKapitel wurden die Repräsentationsformen dargestellt. Dazu gehören einerseits dietemporalen Datenbanken und andererseits die Zeitreihen. Je nach gewähltem Datenmodelllassen sich hier enorme Vorteile bei der Speicherung der Daten gewinnen.Abhängig von der zu benutzenden Anwendung können Objekt-Historien, Rollback-Relationen oder eine Kombination dieser eingesetzt werden. Bei der Verwendung derTupelzeitstempelung lassen sich konventionellen DBMS ebenfalls für die Speicherungtemporaler Daten nutzen. Die vorgestellten Zeitreihen bzw. Sequenzen zeigeneinen anderen Weg der Datenspeicherung auf. Ihr Verständnis ist wichtig für dasAnwenden der im dritten Kapitel vorgestellten Muster und ihren im vierten Teil gezeigtenAnalysemethoden. Grundsätzlich lassen sich aus temporalen Datenbankenjederzeit Sequenzen bilden.Die vorgestellten Methoden sind einer Auswahl zahlreicher Möglichkeiten. Das Auffindenvon sequentiellen Mustern und zeitlichen Assoziationsregel kann als elementarfür das temporale Data Mining bezeichnet werden. Die meisten weiteren Ansätzelehnen sich oftmals an diese an oder stellen Lösungen für sehr spezielle Anwendungendar.In der Regel bringt jedes temporale Muster seine eigenen Datenanalysetechnikenmit. Die hier vorgestellten Algorithmen finden allerdings so oder in ähnlicher Formbei verschiedenen Mustern ihre Anwendung. Abschließend lässt sich sagen, dass essich bei dem temporalen Data Mining noch um ein relativ neues Gebiet handelt, daserst seit 12-15 Jahren populär ist. Die praktische Anwendung ist über den Bereichvon Forschung und Wissenschaft nur vereinzelt hinausgekommen. Auch die Dokumentationin Literatur und Internet weist Lücken auf, die darauf schließen lassen,dass temporale Datenhaltung längst nicht zum Alltag gehört. Insgesamt stellen geradedie temporalen Aspekte ein enormes Potential dar, dass sowohl in Forschungund Wissenschaft als auch im kommerziellen Bereich seine Anwendung finden wird.26
GlossarAttributzeitstempelung Jedes Attribut einer Datenbank erhält eigene Temporalisierung.Je nach Modell werden den zeitabhängigen Attributen TransaktionsundGültigkeitszeit hinzugefügt, Seite 4.Bitemporales Modell Beim bitemporalen Modell werden sowohl Transaktionsalsauch Gültigkeitszeit gespeichert, Seite 5.Chronon Ein Chronon ist die kleinste, gewählte Zeiteinheit innerhalb eines Datenbankmodells,Seite 2.Granularität Die Granularität gibt die Einteilung der Zeiteinheiten an. Eine hoheGranularität bedeutet sehr kurze Zeitabschnitte, Seite 2.Gültigkeitszeit Die Gültigkeitszeit gibt den Zeitraum an, zu dem ein Tupel in dermodellierten Welt wahr ist, Seite 4.ItemItems (oder Literale) sind Elemente, deren Mengen die Werte der Sequenzenbilden. Ein Item kann z.B. ein Element eines Warenkorbs sein, der wiederumfür eine Transaktion steht, Seite 6.Objekt-Historie Hier werden nur Gültigkeitszeiten verwaltet. Es kann für jedesObjekt festgestellt werden, wann es in der modellierten Welt wahr war,Seite 9.Rollback-Relation Hier wird die Transaktionszeit gespeichert. Transaktionen könnenso rückgängig gemacht werden, Seite 19.Schnappschuss-Datenbank Momentaufnahme einer temporalen Datenbank bzw.Bezeichnung einer konventionellen nicht-temporalen Datenbank, Seite 3.Sequenz Bei einer Sequenz handelt es sich um eine Folge von Werten, die sich aufaufeinander folgende Zeitpunkte oder Zeiträume bezieht, Seite 6.Subsequenz Eine Subsequenz ist eine Folge von Werten, die in einer anderen Sequenzenthalten ist. Dabei ist nicht die Übereinstimmung aller Werte entscheidend,sonder die Reihenfolge selbiger, Seite 7.Temporale Datenbank Eine temporale Datenbank ist eine Datenbank, die umtemporale Aspekte wie Transaktions- und Gültigkeitszeit erweitert wurde,Seite 3.Transaction Time siehe Transaktionszeit, Seite 4.Transaktion Vorgang des Speicherns in die Datenbank bzw. Vornehmen einerÄnderung in der Datenbank, Seite 4.Transaktionszeit Zeitpunkt zu dem eine Transaktion geschieht, Seite 4.Tupelzeitstempelung Die Zeitstempelung erfolgt hier pro Tupel. Dabei kannnicht pro Attribut unterschieden werden. Diese Zeitstempulng entsprichtder ersten Normalform und ist mit konventionellen DBMS konform, Seite 4.Valid Time siehe Gültigskeitszeit, Seite 4.Zeitreihe siehe Sequenz, Seite 6.Zeitstempelung siehe Attribut- bzw. Tupelzeistempelung, Seite 4.27
Seite 1 und 2: Temporale Aspekte des Data MiningOl
Seite 3 und 4: Themas. Zu den Grundlagen gehören
Seite 5 und 6: Zur Darstellung der Zeit gibt es dr
Seite 7 und 8: vergeben werden kann.Mit Hilfe der
Seite 9 und 10: Abbildung 2: Tabellarische Darstell
Seite 11 und 12: oder falsch genutzten Datenbeständ
Seite 14 und 15: ist eine Sequenz von Schnappschüss
Seite 16 und 17: Abbildung 4: Taxonomie zeitlicher B
Seite 18 und 19: 4.6 Unusual MovementsBei unusual Mo
Seite 20 und 21: GSP-AlgorithmusF k = {häufige 1er-
Seite 22 und 23: F 4 = {(D ↦→ BF ↦→ A)[2]}Zu
Seite 24 und 25: Die Berechnung der 1er-Sequenzen er
Seite 28 und 29: Literatur[All83] J .F. Allen. Maint

Temporale Aspekte des Data Mining - diko-project.de

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?