Effiziente und effektive Data-Mining Lösungen für hochdimensionale Daten

德国自动化研究所和德国现代信息研究所的研究表明，德国自动化研究所和德国现代信息研究所的研究结果表明，德国自动化研究所的研究结果表明，德国自动化研究所的研究结果表明，德国自动化研究所的研究结果表明，德国自动化研究所的研究结果表明，德国自动化研究所的研究结果表明：本文提出了一种基于半自动化分析的数据挖掘方法，一种基于聚类分析的数据挖掘方法，一种基于聚类分析的数据挖掘方法，一种基于实践分析的数据挖掘方法，一种基于自动化分析的数据挖掘方法。Methoden zur globalen merkmalsredution oder - extrtion fhren in der reggel nur sehr eingeschränkt zum Ziel, da in Realdaten typischerweise verschiedene Merkmalsmengen f<e:1> r unterschiedliche Objektgruppen relevant sein können。基于子空间和相关聚类的全维和非维聚类，基于子空间和相关聚类的全维和非维聚类，基于子空间和相关聚类的全维和非维聚类。Das Hauptziel dieses Antrages也是，创新的数据挖掘Verfahren f<e:1> r hochdimensionale Merkmalsräume zuentwickeln。

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.