K. Prasanna

L'exploration de donn es peut tre utilis e pour d couvrir des mod les dans les donn es, mais elle n'est souvent effectu e que sur des chantillons de donn es. Le processus d'exploration sera inefficace si les chantillons ne sont pas une bonne repr sentation de l'ensemble des donn es. L'exploration de donn es ne peut pas d couvrir des mod les qui peuvent tre pr sents dans l'ensemble des donn es si ces mod les ne sont pas pr sents dans l' chantillon "exploit ". L'incapacit trouver des mod les peut tre l'origine de certains litiges entre les clients et les fournisseurs de services. L'exploration de donn es n'est donc pas infaillible, mais elle peut tre utile si des chantillons de donn es suffisamment repr sentatifs sont collect s. La d couverte d'un mod le particulier dans un ensemble particulier de donn es ne signifie pas n cessairement qu'un mod le se retrouve ailleurs dans les donn es plus larges partir desquelles cet chantillon a t tir . La v rification et la validation des mod les sur d'autres chantillons de donn es constituent une partie importante du processus

Il data mining pu essere utilizzato per scoprire modelli nei dati, ma spesso viene effettuato solo su campioni di dati. Il processo di estrazione sar inefficace se i campioni non sono una buona rappresentazione dell'insieme dei dati. Il data mining non pu scoprire modelli che potrebbero essere presenti nell'insieme dei dati se tali modelli non sono presenti nel campione che viene "estratto". L'incapacit di trovare modelli pu diventare una causa di controversie tra clienti e fornitori di servizi. Pertanto, il data mining non infallibile, ma pu essere utile se vengono raccolti campioni di dati sufficientemente rappresentativi. La scoperta di un particolare schema in un particolare insieme di dati non significa necessariamente che lo stesso schema si trovi altrove nei dati pi ampi da cui stato tratto il campione. Una parte importante del processo la verifica e la convalida dei modelli su altri campioni di dati.

Data Mining kann zur Aufdeckung von Mustern in Daten verwendet werden, wird aber oft nur an Stichproben von Daten durchgef hrt. Der Mining-Prozess ist unwirksam, wenn die Stichproben keine gute Repr sentation der Gesamtheit der Daten sind. Data Mining kann keine Muster entdecken, die in der Gesamtheit der Daten vorhanden sind, wenn diese Muster nicht in der untersuchten Stichprobe vorhanden sind. Die Unf higkeit, Muster zu finden, kann ein Grund f r Streitigkeiten zwischen Kunden und Dienstleistern sein. Data Mining ist also nicht narrensicher, kann aber n tzlich sein, wenn ausreichend repr sentative Datenproben gesammelt werden. Die Entdeckung eines bestimmten Musters in einem bestimmten Datensatz bedeutet nicht zwangsl ufig, dass das Muster auch an anderer Stelle in den gr eren Daten, aus denen diese Stichprobe gezogen wurde, zu finden ist. Ein wichtiger Teil des Prozesses ist die berpr fung und Validierung von Mustern in anderen Datenproben.

A extra o de dados pode ser utilizada para descobrir padr es nos dados, mas muitas vezes efectuada apenas em amostras de dados. O processo de extra o ser ineficaz se as amostras n o forem uma boa representa o do conjunto maior de dados. A extra o de dados n o pode descobrir padr es que possam estar presentes no conjunto maior de dados se esses padr es n o estiverem presentes na amostra que est a ser "extra da". A incapacidade de encontrar padr es pode tornar-se a causa de alguns lit gios entre clientes e fornecedores de servi os. Por conseguinte, a extra o de dados n o infal vel, mas pode ser til se forem recolhidas amostras de dados suficientemente representativas. A descoberta de um determinado padr o num determinado conjunto de dados n o significa necessariamente que esse padr o se encontre noutro local dos dados mais vastos de onde essa amostra foi retirada. Uma parte importante do processo a verifica o e valida o de padr es noutras amostras de dados