Was ist der räumliche Data Mining?
räumliches Data Mining ist der Prozess des Versuchs, Muster in geografischen Daten zu finden. Am häufigsten im Einzelhandel verwendet, hat es sich aus dem Bereich Data Mining entwickelt, was sich zunächst darauf konzentrierte, Muster in textuellen und numerischen elektronischen Informationen zu finden. Der räumliche Data -Mining wird aufgrund der Schwierigkeiten, die mit der Analyse von Objekten mit konkreten Existenzen in Raum und Zeit verbunden sind, als komplizierter als herkömmlicher Bergbau angesehen. Es ist eine Technik, um Entscheidungen darüber zu treffen, wo Sie welche Art von Geschäft eröffnen können. Es kann dazu beitragen, diese Entscheidungen zu informieren, indem bereits bestehende Daten darüber verarbeitet werden, welche Faktoren die Verbraucher motivieren, an einen Ort und nicht an einen anderen zu gehen. Wenn sie Zugriff auf die entsprechenden Daten hätte, könnte sie räumliche Data Mining verwenden, um herauszufinden, welche räumlichen Faktoren Nachtclubs erfolgreich machen. Sie könnteFragen Sie Fragen wie: Werden mehr Menschen in den Club kommen, wenn der öffentliche Transit in der Nähe ist? Welche Entfernung von anderen Nightlife -Veranstaltungsorten maximiert die Mäzenatentum? Ist die Nähe zu Tankstellen ein Plus oder ein Minus?
Ashley möchte vielleicht auch sicherstellen, dass die Menschen, die zu ihrem Nachtclub kommen, im Laufe einer individuellen Nacht in einer gleichmäßigen Verteilung ankommen. Sie könnte auch den räumlichen Data Mining - vielleicht genauer, räumlich -zeitlicher Data Mining verwenden, um herauszufinden, wie sich die Menschen zu bestimmten Zeiten durch die Stadt bewegen. Der gleiche Prozess könnte in verschiedenen Nächten der Woche auf die Schirmherrschaft angewendet werden.
Die Schwierigkeiten des räumlichen Data Mining sind ein Ergebnis der Komplexität der Welt jenseits des Internets. Während frühere Bemühungen um Data Mining in der Regel Datenbanken für die Analyse waren, sind die für räumlichen Data Mining verfügbaren Eingaben keine Informationen, sondern Karten. Diese Karten haben verschiedene Arten von Objekten lIKE -Straßen, Populationen, Unternehmen usw.
Bestimmung, ob etwas an etwas anderes "nahe" ist, geht von einem diskreten zu einer kontinuierlichen Variablen. Dies erhöht die für die Analyse erforderliche Komplexität massiv. Unglaublich, dies ist eine der einfacheren Arten von Beziehungen, die jemandem zur Verfügung stehen, der einen räumlichen Data Mining versucht.
räumliches Data -Mining steht auch dem Problem der falsch positiven Ergebnisse. Bei der Suche nach Daten, die nach Beziehungen suchen, werden viele offensichtliche Trends als Folge statistischer falscher Positives entstehen. Dieses Problem besteht auch für die Aufgabe, eine einfachere Datenbank abzubauen, wird jedoch durch das Ausmaß der Daten, die dem räumlichen Data Miner verfügbar sind, verstärkt. Letztendlich sollte ein durch räumlicher Data Mining identifizierter Trend durch den Erläuterungsprozess und die zusätzliche Forschung bestätigt werden.