Effiziente und effektive Data-Mining Lösungen für hochdimensionale Daten

高维数据高效有效的数据挖掘解决方案

• 批准号: 14823303
• 负责人: Professor Dr. Hans-Peter Kriegel
• 金额: --
• 依托单位: Institut für Informatik
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2005
• 资助国家: 德国
• 起止时间: 2004-12-31 至 2009-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/14823303?language=en
• 关键词: Effiziente; und; effektive; Data; Mining

Die fortschreitende Automatisierung und Vernetzung der modernen Informationsgesellschaft führt zu einem drastischen Anstieg sowohl des Volumens als auch der Komplexität der erfassten Daten. Bei der semiautomatischen Analyse mittels Data Mining Verfahren, insbesondere im Bereich Cluster-Analyse, ergibt sich hieraus das folgende, aus Praxissicht sehr wichtige Problemfeld: Es werden immer mehr Merkmale automatisch erfasst, von denen aber viele für die jeweils betrachtete Data Mining Aufgabe irrelevant, weil etwa verrauscht oder redundant sind. Methoden zur globalen Merkmalsreduktion oder -extraktion führen in der Regel nur sehr eingeschränkt zum Ziel, da in Realdaten typischerweise verschiedene Merkmalsmengen für unterschiedliche Objektgruppen relevant sein können. Deshalb sollen Verfahren zum subspace- und Correlation Clustering entwickelt und untersucht werden, die hochdimensionale Merkmalsräume flexibel und individuell (pro Cluster) auf niedrige Dimensionen skalieren. Das Hauptziel dieses Antrages ist also, innovative Data Mining Verfahren für hochdimensionale Merkmalsräume zu entwickeln.

现代信息的自动化和Vernetzung是一种现代化的信息技术，它是一种现代化的信息技术。贝德半自动分析数据挖掘Verfahren，而不是Bereich的聚类分析，从数据挖掘的数据挖掘是不相关的，我们等人的数据挖掘是不相关的，这是一个很好的解决问题的方法。在Realdaten typeischerisweise verschiedene MerkMalsmengen für unterschiedliche Objektgruppen in Realdaten type is Cherisweise verschiedene MerkMalsmengen für unterschiedliche Objektgruppen相关sein kunnen.这是一种灵活的、个性化的(PRO集群)方法。Das Hauptziel Dieses Antrages ist也是创新的数据挖掘Verfahren für hochDimsionale Merkmarsräume zu entwickeln。