目次

• タイトルおよび著作権情報
• はじめに
  • 対象読者
  • ドキュメントのアクセシビリティについて
  • 関連ドキュメント
    • Oracle Technology Network上のOracle Data Miningリソース
    • アプリケーション開発およびデータベース管理ドキュメント
  • 表記規則
• 第I部 概要
  • 1 データ・マイニングとは
    • 1.1 データ・マイニングとは
      • 1.1.1 自動検出
      • 1.1.2 予測
      • 1.1.3 グループ化
      • 1.1.4 実用的な情報
      • 1.1.5 データ・マイニングと統計
      • 1.1.6 データ・マイニングとOLAP
      • 1.1.7 データ・マイニングとデータ・ウェアハウス
    • 1.2 データ・マイニングで可能なこと、不可能なこと
      • 1.2.1 適切な問題の設定
      • 1.2.2 データの理解
    • 1.3 データ・マイニングのプロセス
      • 1.3.1 問題の定義
      • 1.3.2 データ収集、準備および特徴エンジニアリング
      • 1.3.3 モデルの作成と評価
      • 1.3.4 知識の配置
  • 2 Oracle Data Miningの紹介
    • 2.1 Oracle Data Miningとは
    • 2.2 データベース・カーネル内でのデータ・マイニング
    • 2.3 R拡張性を使用したOracle Data Mining
    • 2.4 Oracle Exadataでのデータ・マイニング
    • 2.5 パーティション化モデルについて
    • 2.6 Oracle Data Miningのインタフェース
      • 2.6.1 PL/SQL API
      • 2.6.2 SQL関数
      • 2.6.3 Oracle Data Miner
      • 2.6.4 予測分析
    • 2.7 データベース分析の概要
  • 3 Oracle Data Miningの基礎
    • 3.1 マイニング機能
      • 3.1.1 監視ありデータ・マイニング
        • 3.1.1.1 監視あり学習: テスト
        • 3.1.1.2 監視あり学習: スコアリング
      • 3.1.2 監視なしデータ・マイニング
        • 3.1.2.1 監視なし学習: スコアリング
    • 3.2 アルゴリズム
      • 3.2.1 Oracle Data Miningの監視ありアルゴリズム
      • 3.2.2 Oracle Data Miningの監視なしアルゴリズム
    • 3.3 データ準備
      • 3.3.1 Oracle Data Miningによるデータ準備の簡略化
      • 3.3.2 ケース・データ
        • 3.3.2.1 ネストしたデータ
      • 3.3.3 テキスト・データ
    • 3.4 データベース内スコアリング
      • 3.4.1 パラレル実行と管理の簡易化
      • 3.4.2 モデル適用と動的スコアリングのためのSQL関数
• 第II部 マイニング機能
  • 4 回帰
    • 4.1 回帰とは
      • 4.1.1 回帰の仕組み
        • 4.1.1.1 線形回帰
        • 4.1.1.2 多変量線形回帰
        • 4.1.1.3 回帰係数
        • 4.1.1.4 非線形回帰
        • 4.1.1.5 多変量非線形回帰
        • 4.1.1.6 信頼限界
    • 4.2 回帰モデルのテスト
      • 4.2.1 回帰統計量
        • 4.2.1.1 2乗平均平方根誤差
        • 4.2.1.2 平均絶対誤差
    • 4.3 回帰のアルゴリズム
  • 5 分類
    • 5.1 分類とは
    • 5.2 分類モデルのテスト
      • 5.2.1 混同マトリックス
      • 5.2.2 リフト
        • 5.2.2.1 リフト統計量
      • 5.2.3 受信者操作特性(ROC)
        • 5.2.3.1 ROC曲線
        • 5.2.3.2 曲線下面積
        • 5.2.3.3 ROCとモデルのバイアス
        • 5.2.3.4 ROC統計量
    • 5.3 分類モデルのバイアス
      • 5.3.1 コスト
        • 5.3.1.1 コストと精度
        • 5.3.1.2 ポジティブ・クラスとネガティブ・クラス
        • 5.3.1.3 コストと利益の割当て
      • 5.3.2 事前確率およびクラスの重み
    • 5.4 分類のアルゴリズム
  • 6 異常検出
    • 6.1 異常検出とは
      • 6.1.1 1クラス分類
      • 6.1.2 1クラス・データの異常検出
      • 6.1.3 外れ値検出用の異常検出
    • 6.2 異常検出アルゴリズム
  • 7 クラスタリング
    • 7.1 クラスタリングについて
      • 7.1.1 クラスタの計算方法
      • 7.1.2 新しいデータのスコアリング
      • 7.1.3 階層クラスタリング
        • 7.1.3.1 ルール
        • 7.1.3.2 支持度と信頼度
    • 7.2 クラスタリング・モデルの評価
    • 7.3 クラスタリングのアルゴリズム
  • 8 相関
    • 8.1 相関とは
      • 8.1.1 相関ルール
      • 8.1.2 マーケット・バスケット分析
      • 8.1.3 相関ルールとE-Commerce
    • 8.2 トランザクショナル・データ
    • 8.3 相関のアルゴリズム
  • 9 特徴の選択と抽出
    • 9.1 最適な属性の検出
    • 9.2 特徴選択および属性評価とは
      • 9.2.1 属性評価およびスコアリング
    • 9.3 特徴抽出とは
      • 9.3.1 特徴抽出とスコアリング
    • 9.4 属性評価および特徴抽出のアルゴリズム
• 第III部 アルゴリズム
  • 10 Apriori
    • 10.1 Aprioriとは
    • 10.2 相関ルールと高頻度項目セット
      • 10.2.1 前件と後件
      • 10.2.2 信頼度
    • 10.3 Apriori用のデータ準備
      • 10.3.1 ネイティブ・トランザクショナル・データとスター・スキーマ
      • 10.3.2 項目と集合
      • 10.3.3 スパース・データ
    • 10.4 相関ルールの計算
      • 10.4.1 項目セット
      • 10.4.2 高頻度項目セット
      • 10.4.3 例: 高頻度項目セットからのルールの計算
      • 10.4.4 集計
      • 10.4.5 例: 集計の計算
      • 10.4.6 包含ルールと除外ルール
      • 10.4.7 集計のパフォーマンスへの影響
    • 10.5 相関ルールの評価
      • 10.5.1 サポート
      • 10.5.2 最小サポート数
      • 10.5.3 信頼度
      • 10.5.4 逆確信度
      • 10.5.5 リフト
  • 11 ディシジョン・ツリー
    • 11.1 ディシジョン・ツリーとは
      • 11.1.1 ディシジョン・ツリーのルール
        • 11.1.1.1 信頼度と支持度
      • 11.1.2 ディシジョン・ツリーの利点
      • 11.1.3 ディシジョン・ツリー・モデルのXML
    • 11.2 ディシジョン・ツリーの拡大
      • 11.2.1 分割
      • 11.2.2 コスト・マトリックス
      • 11.2.3 オーバーフィットの回避
    • 11.3 ディシジョン・ツリー・アルゴリズムのチューニング
    • 11.4 ディシジョン・ツリー用のデータ準備
  • 12 期待値最大化
    • 12.1 期待値最大化とは
      • 12.1.1 期待値ステップと最大化ステップ
      • 12.1.2 確率密度推定
    • 12.2 アルゴリズムの拡張
      • 12.2.1 スケーラビリティ
      • 12.2.2 高いディメンション性
      • 12.2.3 コンポーネント数
      • 12.2.4 パラメータの初期化
      • 12.2.5 成分からクラスタへ
    • 12.3 アルゴリズムの構成
    • 12.4 期待値最大化用のデータ準備
  • 13 明示的セマンティック分析
    • 13.1 明示的セマンティック分析とは
      • 13.1.1 ESAでのスコアリング
      • 13.1.2 大きいESAモデルのスコアリング
    • 13.2 テキスト・マイニング用のESA
    • 13.3 ESA用のデータ準備
  • 14 一般化線形モデル
    • 14.1 一般化線形モデルとは
    • 14.2 Oracle Data MiningのGLM
      • 14.2.1 解釈性と透明性
      • 14.2.2 ワイド・データ
      • 14.2.3 信頼限界
      • 14.2.4 リッジ回帰
        • 14.2.4.1 リッジ回帰の構成
        • 14.2.4.2 リッジと信頼限界
        • 14.2.4.3 リッジとデータ準備
    • 14.3 スケーラブルな特徴選択
      • 14.3.1 特徴選択
        • 14.3.1.1 特徴選択の構成
        • 14.3.1.2 特徴選択とリッジ回帰
      • 14.3.2 特徴生成
        • 14.3.2.1 特徴生成の構成
    • 14.4 GLM用のチューニングと診断
      • 14.4.1 ビルド設定
      • 14.4.2 診断
        • 14.4.2.1 係数統計情報
        • 14.4.2.2 グローバルなモデルの統計情報
        • 14.4.2.3 行の診断情報
    • 14.5 GLM用のデータ準備
      • 14.5.1 線形回帰用のデータ準備
      • 14.5.2 ロジスティック回帰用のデータ準備
      • 14.5.3 欠損値
    • 14.6 線形回帰
      • 14.6.1 線形回帰の係数統計情報
      • 14.6.2 線形回帰のグローバルなモデルの統計情報
      • 14.6.3 線形回帰の行の診断情報
    • 14.7 ロジスティック回帰
      • 14.7.1 参照クラス
      • 14.7.2 クラスの重み
      • 14.7.3 ロジスティック回帰の係数統計情報
      • 14.7.4 ロジスティック回帰のグローバルなモデルの統計情報
      • 14.7.5 ロジスティック回帰の行の診断情報
  • 15 k-Means
    • 15.1 k-Meansとは
      • 15.1.1 Oracle Data Mining拡張k-Means
      • 15.1.2 重心
    • 15.2 k-Meansアルゴリズム構成
    • 15.3 k-Means用のデータの準備
  • 16 最小記述長
    • 16.1 MDLについて
      • 16.1.1 圧縮とエントロピ
        • 16.1.1.1 確率変数の値: 統計的分布
        • 16.1.1.2 確率変数の値: 重要な予測子
        • 16.1.1.3 合計エントロピ
      • 16.1.2 モデル・サイズ
      • 16.1.3 モデル選択
      • 16.1.4 MDLメトリック
    • 16.2 MDL用のデータ準備
  • 17 Naive Bayes
    • 17.1 Naive Bayesとは
      • 17.1.1 Naive Bayesの利点
    • 17.2 Naive Bayesモデルのチューニング
    • 17.3 Naive Bayes用のデータ準備
  • 18 Non-Negative Matrix Factorization
    • 18.1 NMFについて
      • 18.1.1 行列因数分解
      • 18.1.2 NMFでのスコアリング
      • 18.1.3 NMFでのテキスト・マイニング
    • 18.2 NMFアルゴリズムのチューニング
    • 18.3 NMF用のデータ準備
  • 19 O-Cluster
    • 19.1 O-Clusterとは
      • 19.1.1 パーティショニング方針
        • 19.1.1.1 量的属性のパーティショニング
        • 19.1.1.2 質的属性のパーティショニング
      • 19.1.2 アクティブなサンプリング
      • 19.1.3 プロセス・フロー
      • 19.1.4 スコアリング
    • 19.2 O-Clusterアルゴリズムのチューニング
    • 19.3 O-Cluster用のデータ準備
      • 19.3.1 O-Cluster用のユーザー定義のデータ準備
  • 20 特異値分解
    • 20.1 特異値分解とは
      • 20.1.1 行列操作
      • 20.1.2 低ランクの分解
      • 20.1.3 スケーラビリティ
    • 20.2 アルゴリズムの構成
      • 20.2.1 モデル・サイズ
      • 20.2.2 パフォーマンス
      • 20.2.3 PCAスコアリング
    • 20.3 SVD用のデータ準備
  • 21 サポート・ベクター・マシン
    • 21.1 サポート・ベクター・マシンとは
      • 21.1.1 SVMの利点
      • 21.1.2 Oracle Data MiningのSVMの利点
        • 21.1.2.1 有用性
        • 21.1.2.2 スケーラビリティ
      • 21.1.3 カーネルベースの学習
    • 21.2 SVMモデルのチューニング
    • 21.3 SVM用のデータ準備
      • 21.3.1 正規化
      • 21.3.2 SVMと自動データ準備
    • 21.4 SVM分類
      • 21.4.1 クラスの重み
    • 21.5 1クラスSVM
    • 21.6 SVM回帰
• 用語集
• 索引