| Oracle® Data Mining概要 12cリリース1 (12.1) B72966-03 |
|
 前 |
 次へ |
『Oracle Data Miningユーザーズ・ガイド』のこのリリースでの変更点
『Oracle Data Miningユーザーズ・ガイド12cリリース1(12.1)』では、次の変更点について説明しています。
このリリースの新機能は次のとおりです。
予測の詳細の拡張
新しいクラスタリング・アルゴリズム: 期待値最大化 拡張されたk-MeansおよびO-Cluster以外に、Oracle Data Miningでは、データの密度モデルを作成する確率的クラスタリング・アルゴリズムである期待値最大化がサポートされるようになりました。密度モデルによって、異なるドメインに由来するデータ(たとえば、販売トランザクションと顧客購買層、または構造化データとテキストなどの非構造化データ)を結合するアプローチを改善できます。
期待値最大化の確率的な性質のため、そのクラスタ割当ての確率は、k-MeansまたはO-Clusterによって生成される確率より信頼性が高くなる場合があります。また、期待値最大化アルゴリズムでは、データのモデル化に必要なクラスタの最適数が自動的に決定されます。
「期待値最大化」を参照してください。
新しい特徴抽出アルゴリズム: 特異値分解と主成分分析
Non-Negative Matrix Factorizationに加え、Oracle Data Miningでは、直交線形投影を使用して基礎となるデータ分散を取得する2つの優れた特徴抽出方法である特異値分解と主成分分析がサポートされるようになりました。主成分分析は、特異値分解アルゴリズムの特別なスコアリング方法として実装されます。
特異値分解および主成分分析は、非常に大規模なデータ・サイズ(行と属性の両方)に適切にスケーリングされ、優れたデータ圧縮機能を持ちます。これらの新しい方法の導入に伴って、Oracle Data Miningでは、その特徴抽出機能が、時系列、非構造化データ、非常に大規模な量的データセット(たとえば、無線ICタグなどのセンサーからのデータ)を含む新しいコンテキストに拡張されています。
「特異値分解」を参照。
特徴選択および作成をサポートするように拡張された一般化線形モデル
一般化線形モデルでは、高い透明性が提供されますが、精度が落ちる可能性があります。特徴選択および作成機能の導入に伴って、一般化線形モデルでは、透明性(モデルによって生成される予測を説明する能力)を損なうことなく高い精度を維持できます。
特徴選択とは、最も意味のある属性を選択するプロセスです。特徴作成とは、属性を特徴に結合するプロセスです。特徴選択では、一般化線形モデルは、より少ない予測子で作成できるため、モデルが小規模になり、スコアリングが高速化します。特徴作成では、一般化線形モデルは、非線形項(最大3次項)を使用するため、より優れたモデルが生成され、透明性が向上します。
テキスト・マイニングの大幅な拡張
この拡張によって、非構造化テキスト・データが入力に存在する場合のデータ・マイニング・プロセス(モデル作成、配置およびスコアリング)が大幅に簡略化されます。
テキスト・データ(詳細は、『Oracle Data Miningユーザーズ・ガイド』を参照してください。)
予測の詳細の拡張
PREDICTION_DETAILS関数によって、すべての予測アルゴリズムがサポートされ、予測子の詳細が戻されるようになりました。新しい関数のCLUSTER_DETAILSおよびFEATURE_DETAILSが導入されています。
データ・マイニング用のSQL関数の詳細は、「データベース内スコアリング」を参照してください。(詳細は、『Oracle Database SQL言語リファレンス』を参照してください。)
動的スコアリング
データ・マイニング用のSQL関数によって、事前定義されたモデルなしで動的にデータをスコアリングするための分析句がサポートされるようになりました。
データ・マイニング用のSQL関数の詳細は、「データベース内スコアリング」を参照してください。(詳細は、『Oracle Database SQL言語リファレンス』を参照してください。)
次の機能は、Oracleではサポートされなくなりました。このリリースでサポート対象外となった機能の詳細は、『Oracle Databaseアップグレード・ガイド』を参照してください。
Oracle Data Mining Java API
Adaptive Bayes Network (ABN)アルゴリズム
