Data mining functionalities biểu diễn loại pattern cần khám phá. Nhiệm vụ data mining chia 2 loại: descriptive (mô tả) và predictive (dự đoán). Descriptive định nghĩa đặc điểm chung dữ liệu trong DB. Predictive suy diễn từ thông tin hiện tại để dự đoán.
Các chức năng:
- Data characterization (Đặc trưng hóa dữ liệu) – Tóm tắt đặc điểm chung của lớp đối tượng dữ liệu. Dữ liệu lớp do user chỉ định thu thập bằng query DB. Kết quả trình bày đa dạng.
- Data discrimination (Phân biệt dữ liệu) – So sánh đặc điểm lớp mục tiêu (target) với lớp đối lập (contrasting). User chỉ định target/contrasting, dữ liệu lấy bằng query.
- Association Analysis (Phân tích liên kết) – Phân tích tập item thường xuất hiện cùng nhau trong dữ liệu giao dịch (transactional). 2 tham số xác định association rules:
- Support: xác định itemset phổ biến trong DB.
- Confidence: xác suất có điều kiện item xuất hiện trong transaction khi item khác xuất hiện.
- Classification (Phân loại) – Tìm mô hình biểu diễn và phân biệt các lớp/khái niệm dữ liệu, để dự đoán lớp của đối tượng chưa biết nhãn. Mô hình dựa trên phân tích training data (đã biết nhãn).
- Prediction (Dự đoán) – Dự đoán giá trị dữ liệu thiếu hoặc xu hướng sắp tới. Dự đoán dựa trên giá trị thuộc tính đối tượng và giá trị thuộc tính lớp. Có thể dự đoán giá trị số thiếu hoặc xu hướng tăng/giảm theo thời gian.
- Clustering (Phân cụm) – Tương tự classification nhưng lớp không định sẵn. Lớp được biểu diễn bởi thuộc tính dữ liệu. Unsupervised learning. Đối tượng gom cụm theo nguyên tắc: tối đa hóa tương đồng trong cụm (intraclass similarity) và tối thiểu hóa tương đồng giữa các cụm (interclass similarity).
- Outlier analysis (Phân tích giá trị ngoại lai) – Outliers là phần tử không gom cụm vào lớp/cụm nào. Đối tượng hành vi khác biệt so với hành vi chung. Phân tích loại này quan trọng để khai thác kiến thức.
- Evolution analysis (Phân tích tiến hóa) – Xác định xu hướng cho đối tượng hành vi thay đổi theo thời gian.