95 Анализ данных в менеджменте качества

Анализ данных (Data Mining) переводится как «добы­ча» или «раскопка данных». «обнаружение знаний в базах данных» и «ин­теллектуальный анализ данных». Цель Data Mining: выявление скрытых правил и за­кономерностей в наборах данных.

Сфера применения Data Mining ничем не ограничена — она везде, где имеются какие-либо данные.

Выделяют 5 стандартных типов закономерностей, к-рые выявляют методы Data Mining: ♦ ассоциация; ♦ последовательность; • классификация; • кластеризация; • прогнозирование.

Ассоциация имеет место в том случае, если несколько событий связаны друг с другом. Если существует цепочка связанных во времени событий» то говорят о последовательности. С помощью классификации выявляются признаки, характери­зующие группу, к которой принадлежит тот или иной объект. Кластеризация отличается от классификации тем, что сами группы заранее не заданы. Основой для всевозможных систем прогнозирования служит историческая информация, хранящаяся в БД в виде временных ря­дов.

Классы систем интеллектуального анализа данных

Предметно-ориентированные аналитические системы очень разнообразны. Наиболее широкий подкласс таких систем, назва­ние «технический анализ». Он представляет собой совокупность нескольких десятков методов прогноза динамики цен и выбора оп­тимальной структуры инвестиционного портфеля.

Статистические пакеты. Хотя последние версии почти всех из­вестных статистических пакетов включают наряду с традиционны­ми статистическими методами также элементы Data Mining, основ­ное внимание в них уделяется все же классическим методикам: кор­реляционному, регрессионному, факторному анализу и другим. Не­достатком систем этого класса считают требование к специальной подготовке пользователя.

Нейронные сети. Это большой класс систем, архитектура кото­рых пытается имитировать построение нервной ткани из нейронов. На нейроны самого нижнего слоя подаются значения входных пара­метров, на основе которых нужно принимать какие-то решения, про­гнозировать развитие ситуации.

Деревья решений. Деревья решений являются одним из наибо­лее популярных подходов к решению задач Data Mining. Они со­здают иерархическую структуру классифицирующих правил типа «ЕСЛИ.., ТО...», имеющую вид дерева.

Эволюционное программирование. Процесс построе­ния программ строится как эволюция в мире программ. Когда система на­ходит программу, достаточно точно выражающую искомую зависи­мость, она начинает вносить в нее небольшие модификации и от­бирает среди построенных таким образом дочерних программ те, которые повышают точность.

Генетические алгоритмы. Поиск оптимального решения при этом похож на эволю­цию популяции индивидов, представленных их наборами хромосом. Действуют три механизма: отбор сильнейших — наборов хромосом (оптимальные решения); скрещивание — производство новых индивидов при по­мощи смешивания хромосом; и мутации — случайные изменения генов у некоторых индивидов популяции. В результате выраба­тывается решение поставленной задачи, которое уже не мо­жет быть далее улучшено.