Mønsterutvinning

Mønsterutvinning er en gren av data mining som handler om å oppdage repeterende og interessante strukturer i store datasamlinger. Hovedideen er å identifisere mønstre som forekommer ofte eller som har høy informasjonsverdi, slik at de kan brukes til beslutningsstøtte, prediksjon og innsikt i virksomheter og forskning.

Typiske mønstre inkluderer frekvente mønster eller mønter i transaksjonsdata, altså hyppige sett av elementer som opptrer sammen i kjøpslogg eller andre sql-lignende databaser. Sekvensielle mønstre fanger orden og tidsrekkefølge i atferd, mens grafmønstre leter etter repeterte understrukturer i nettverk eller kjemiske/bioinformatiske nettverk. Ulike datatyper krever ulike tilnærminger og algoritmer.

Vanlige metoder inkluderer frekvente mønsterutvinning og assosiasjonsregler (for eksempel Apriori og FP-Growth), sekvensielle mønstre (for eksempel PrefixSpan) og grafmønstre (subgrafutvinning). Kvalifisering av mønstre gjøres ofte ved minstekriterier som støttetrykk (støtte), konfidens og forskjellige mål som løft, leverage eller conversjon.

Anvendelser inkluderer markedsanalyse og kundeadferdsanalyse, anbefalingssystemer, bioinformatikk, cybersikkerhet og weblog-analyse. Utfordringer inkluderer skalerbarhet til store databaser, sparsitet og støy i data, personvern og behovet for tolkbarhet av resultatene. Fremtidige utviklingstrekk omfatter bearbeiding av sanntidsstrømmer, integrasjon med maskinlæring og forbedret håndtering av ulike datatyper og kontekst.