Instance Selection and Construction for Data Mining

توانایی تجزیه و تحلیل و درک مجموعه‌های عظیم داده‌ها بسیار عقب‌تر از توانایی جمع‌آوری و ذخیره داده‌ها است. برای رویارویی با این چالش، کشف دانش و داده کاوی (KDD) به عنوان یک زمینه در حال ظهور به سرعت در حال رشد است. با این حال، مهم نیست که رایانه‌ها چقدر قدرتمند هستند یا در آینده خواهند بود، محققان و متخصصان KDD باید نحوه مدیریت داده‌های در حال رشد را در نظر بگیرند که از قضا به دلیل استفاده گسترده از رایانه‌ها و سهولت جمع‌آوری داده‌ها با رایانه است. بسیاری از رویکردهای مختلف برای رسیدگی به مسئله انفجار داده ها، مانند افزایش مقیاس الگوریتم و کاهش داده، استفاده شده است. نمونه، مثال یا انتخاب تاپلی مربوط به روش‌ها یا الگوریتم‌هایی است که بخشی از داده‌ها را انتخاب یا جستجو می‌کنند که می‌تواند یک وظیفه KDD را انجام دهد، گویی از کل داده‌ها استفاده می‌شود. انتخاب نمونه مستقیماً با کاهش داده ها مرتبط است و در بسیاری از برنامه های کاربردی KDD به دلیل نیاز به کارایی پردازش و/یا کارایی ذخیره سازی اهمیت فزاینده ای پیدا می کند.
یکی از ابزارهای اصلی انتخاب نمونه، نمونه گیری است که به موجب آن یک نمونه برای آزمایش و تجزیه و تحلیل انتخاب می شود و تصادفی بودن یک عنصر کلیدی در فرآیند است. انتخاب نمونه روش هایی را که به جستجو نیاز دارند نیز پوشش می دهد. نمونه هایی را می توان در تخمین چگالی (یافتن نمونه های نماینده - نقاط داده - برای یک خوشه) یافت. شکار مرزی (یافتن موارد حیاتی برای تشکیل مرزها برای متمایز کردن نقاط داده کلاس های مختلف). و له کردن داده ها (تولید داده های وزنی جدید با آمار کافی معادل). سایر مسائل مهم مرتبط با انتخاب نمونه به دقت ناخواسته، تمرکز، جابجایی مفهومی، حذف نویز/خارج، هموارسازی داده‌ها و غیره گسترش می‌یابد.
انتخاب نمونه و ساخت برای داده کاوی محققان و متخصصان را گرد هم می‌آورد. برای گزارش پیشرفت‌ها و برنامه‌های جدید، به اشتراک گذاشتن تجربیات سخت آموخته شده به منظور اجتناب از مشکلات مشابه، و روشن کردن پیشرفت آینده انتخاب نمونه. این جلد به عنوان یک مرجع جامع برای دانشجویان فارغ التحصیل، پزشکان و محققان در KDD عمل می کند.

The ability to analyze and understand massive data sets lags far behind the ability to gather and store the data. To meet this challenge, knowledge discovery and data mining (KDD) is growing rapidly as an emerging field. However, no matter how powerful computers are now or will be in the future, KDD researchers and practitioners must consider how to manage ever-growing data which is, ironically, due to the extensive use of computers and ease of data collection with computers. Many different approaches have been used to address the data explosion issue, such as algorithm scale-up and data reduction. Instance, example, or tuple selection pertains to methods or algorithms that select or search for a representative portion of data that can fulfill a KDD task as if the whole data is used. Instance selection is directly related to data reduction and becomes increasingly important in many KDD applications due to the need for processing efficiency and/or storage efficiency.
One of the major means of instance selection is sampling whereby a sample is selected for testing and analysis, and randomness is a key element in the process. Instance selection also covers methods that require search. Examples can be found in density estimation (finding the representative instances - data points - for a cluster); boundary hunting (finding the critical instances to form boundaries to differentiate data points of different classes); and data squashing (producing weighted new data with equivalent sufficient statistics). Other important issues related to instance selection extend to unwanted precision, focusing, concept drifts, noise/outlier removal, data smoothing, etc.
Instance Selection and Construction for Data Mining brings researchers and practitioners together to report new developments and applications, to share hard-learned experiences in order to avoid similar pitfalls, and to shed light on the future development of instance selection. This volume serves as a comprehensive reference for graduate students, practitioners and researchers in KDD.