대개의 데이터 마이닝 목표들(goals)은 다음 범주들 내에 해당될 것이다.
Data Processing: KDD 과정의 목표와 요구에 따라, 분석가는 데이터를 선택하고, 거르고, 요약하고, 샘플을 취하고, 청소하거나 또는 변환할 것이다. 대개의 전형적인 데이터 처리의 상당 부분은 자동화하고 그 데이터를 전체 과정에 끊임없이 통합하는 것은 특별 루틴을 프로그래밍하는 것과 데이타를 주고 받는 것에 대한 수요를 제거하거나 또는 적어도 크게 줄일 수 있을 것이므로, 이에따라 분석가의 생산성을 개선시킬 수 있다.
Prediction: 데이터 항목과 예측 모델이 주어졌을 때, 그 데이터 항목의 특정된 애트리뷰트(attribute)에 대한 값을 예측한다. 예를 들면, 신용 카드 트랜잭션의 예측 모델이 주어지면, 특정한 트랜잭션이 부정사용일 가능성을 예측한다. 예측은 발견된 가설을 정당화시키는 데 사용되어질 수도 있다.
Regression: 데이터 항목들의 집합이 주어졌을 때, 회귀는 같은 항목에서 다른 애트리뷰트들의 값에 따른 어떤 애트리뷰트 값들의 종속성의 분석이고, 새로운 레코드들에 대하여 이런 애트리뷰트 값들을 예측할 수 있는 모델의 자동 생성이다. 예를 들면, 주어진 신용 카드 트랜잭션들의 데이터 집합에서, 새로운 트랜잭션들에 대하여 부정 사용의 가능성을 예측할 수 있는 모델을 구축하는 것이다.
Classification: 미리 정의된 범주를 가진 클래스들(classes)의 집합이 주어졌을 때, 특정한 데이터 항목이 이런 클래스들의 어디에 속하는 지를 결정하는 것이다. 예를 들면, 의료 처치 결과들에 일치하는 환자들의 클래스들이 주어지면, 새 환자가 가장 잘 치료될 수 있는 처치의 형태를 알아낸다.
Clustering: 데이터 항목들의 집합이 주어졌을 때, 이 집합을 비슷한 특성들이 같이 그룹지어지는 항목들로 이루어진 클래스들의 집합으로 나누는 것이다. 클러스트링은 유사한 항목들의 그룹들을 찾아내는 데에 제일 많이 사용된다. 예를 들면, 주어진 소비자들의 데이터 집합에서, 비슷한 구매 형태를 갖는 소비자들의 서브그룹들을 알아낸다.
Link Analysis (Associations): 데이터 항목들이 주어지면, 한 패턴의 존재는 다른 패턴의 존재를 의미하는 그러한 애트리뷰트들과 항목들 사이의 관계성을 알아낸다. 이러한 관계는 같은 데이터 항목내의 애트리뷰트들 간의 연관성('우유를 구매하는 손님들 중에서 64%는 또한 빵을 구매한다')이거나 또는 다른 데이터 항목들 사이의 연관성('어떤 주식이 5% 떨어질때 마다, 어떤 다른 주식은 2내지 6주 후에 13% 상승한다')일 수도 있다. 일정한 기간 상의 항목들 사이의 관계성의 조사는 종종 '순차 패턴 분석(sequential pattern analysis)'으로 칭하기도 한다.
Model Visualization: 시각화는 탐사된 지식을 사람들에게 이해하게 하고 해석하게 하는 데 중요한 역할을 한다. 더구나, 사람의 눈-뇌 시스템 그자체는 아직도 최고의 패턴-인식 장치로 알려져 있다. 시각화 기술은 간단한 흩뿌리기 도면과 평행 축상에서 히스토그램 도면에서 부터 3차원 영화까지를 포함한다.
Exploratory Data Analysis (EDA): 탐사 데이터 분석(EDA)은 예상된 가정과 모델에 강하게 의존하지 않고 데이터 집합을 탐사할 적에 상호 작용하게 하면서, 그래서 관심있는 패턴들을 알아내려고 시도하는 것이다. 그 데이터의 그래픽 표시는 눈과 인간 직감의 능력을 이용하는 데 아주 자주 이용된다. 전적으로 데이터 탐사를 지원하기 위해 개발된 소프트웨어 패키지가 많이 있지만, 이런 접근법이 전체 KDD 환경에 통합되는 것이 바람직하다.
Statistical Methods:
Case-Based Reasoning:
Neural Network:
Decision Trees:
Rule Induction:
Bayesian Belief Networks:
Genetic algorithms / Evolutionary Programming:
Fuzzy Sets:
Rough Sets:
(번역중입니다)