Milyen legyen egy adatbányászati szoftver elemzése?
Kulcsszavak:
adatbányászat, elemzési módszer, ábrázolásAbsztrakt
Az adatbányászati eszközök széles körben elterjedtek, szolgáltatásaik terén kezdenek homogénné válni. A szoftverelemzések és prezentálásuk nem követik a piaci igények változását. Olyan szempontokat elemeznek, amelyek kiegészítésre szorulnak. A cégek számára fontos, hogy a számukra megfelelő szoftvert válasszák, így pontosabb, részletgazdagabb elemzésekre van szükség. A jelenlegiekkel ellentétben olyanokra, amelyek egymással összevethetőek, a szoftverpiac fejlődését részleteiben képesek bemutatni. Visszatekintve az időben sokféle elemzés található, azonban nem jellemző rájuk, hogy átveszik más módszerekből a hasznos részeket. Az elemzési módszereket megvizsgáltam és a megfelelőket egybeolvasztottam, hogy egy sikeresebb és részletgazdagabb, integrálható elemzési módszer jöjjön létre. Megadtam azokat az új szempontokat, amikkel az elemzéseket a cégek érdekében bővíteni kell. Meghatároztam az egyes kategóriák súlyait is, továbbá elkészítettem egy hozzá tartozó megfelelő grafikai megjelenítési mód alapjait is. Az így felvázolt elemzési és megjelenítési módszert más szoftverekhez is eredményesen fel lehet használni.
Hivatkozások
Bodon, F. (2010): Adatbányászati algoritmusok. [Online] http://www.cs.bme.hu/~bodon/magyar/adatbanyaszat/tanulmany/adatbanyaszat.pdf
Collier, K., Carey, B., Stautter, D., Marjaniemi, C. (1999): A Methodology for Evaluating and Selecting Data Mining Software. Proceedings of the 32nd Hawaii International Conference on System Sciences, 1–11. p. https://doi.org/10.1109/HICSS.1999.772607
Cser, L., Fajszi, B., Bodnár, P. (2005): Üzleti tudás az adatok mélyén. Budapesti Műszaki Egyetem/IQSYS : Budapest
Cser, L., Fajszi, B., Fehér, T. (2010): Üzleti haszon az adatok mélyén. Adatbányászat. Alinea : Budapest
Elder, J. F., Abbott, D. W. (1998): A comparison of leading data mining tools. Fourth International Conference on Knowledge Discovery & Data Mining, New York
Fayyad, U., Piatetsky-Shapiro, G., Smyth, P. (1996): The KDD Process for Extracting Useful Knowledge from Volumes of Data. Communications of the ACM., 39(11), 27–34. https://doi.org/10.1145/240455.240464
Freinberg, D., Beyer, M. A. (2010): Magic Quadratant for Data Warehouse Database Management Systems. Gartner
Giraud-Carrier, C., Povel, O. (2003): Characterising Data Mining software. Intelligent Data Analysis, 7. 181–192. https://doi.org/10.3233/IDA-2003-7302
Goebel, M., Gruenwald, L. (1999): A survey of data mining and knowledge discovery software tools. SIGKDD Explorations, 1(1), 20–33. https://doi.org/10.1145/846170.846172
Hen, L. E., Lee, S. P. (2008): Performance Analysis of Data Mining Tools Cumulating with a Proposed Data Mining Middleware. Journal of Computer Science, 4(10), 826–833. https://doi.org/10.3844/jcssp.2008.826.833
Kobielus, J. (2010): The Forrester Wave: Predictive Analytics And Data Mining Solutions, Q1 2010.
Krauth, P. (2007): Üzleti Intelligencia, Információs Társadalom Technológiai Távlatai, 3. 109–131.
Letöltések
Megjelent
Folyóirat szám
Rovat
License
Copyright (c) 2011 Szommer Károly
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
