حوزه های یادگیری ماشین^[8] و تشخیص الگو^[9] در مباحث مرتبط با نظریه ها و الگوریتم های استخراج الگو از داده ها با حوزه KDD به نوعی همپوشانی دارند.عملکردهای داده کاوی در شکل (2-3) نشان داده شده اند :
شکل(2-3)-عملکردهای داده کاوی]1[
دسته بندی : دسته بندی، فرایند یافتن مدلی است که با تشخیص دسته ها یا مفاهیم داده می ­تواند دسته ناشناخته اشیا دیگر را پیش بینی کند.دسته بندی یک تابع یادگیری است که یک قلم داده را به یکی از دسته های از قبل تعریف شده نگاشت می­ کند.داده های موجود به دو قسمت آموزش و آزمون تقسیم می­شوند.داده های آموزش برای یادگیـری قواعد توسط سیسـتم استفاده می­شوند و داده ­های آزمون برای بررسی دقت دسته بندی و جلوگیری از بیش برازش به کار می­روند]1[.

برخی روش های متداول دسته بندی عبارتند از :

• • درخت تصمیم

• • دسته بندی بیزی : دارای دو نوع بیز ساده و شبکه های بیزی است.

• • شبکه عصبی پس انتشار^[10]

• • ماشین های بردار پشتیبان

• • دسته بندی تلازمی

• • یادگیرندگان کاهل : نزدیک ترین همسایگان، استدلال مبتنی بر مورد^[11].

روش ماشین بردار پشتیبان در این تحقیق مورد توجه است که در ادامه تشریح خواهد شد.
لازم به ذکر است که دسته بندی و خوشه بندی متفاوت هستند.دسته بندی هر جز از داده ها را بر مبنای اختلاف بین داده ها به مجموعه های از پیش تعریف شده دسته ها تصویر می­ کند.در حالی که خوشه بندی داده ها را به گروه های مختلف­(خوشه ها) که از قبل معین نیستند، (براساس مشابهت درون خوشه و تفاوت بیرون خوشه) تقسیم می­ کند.لذا اگر بخواهیم با بهره گرفتن از مفهوم یادگیری، دسته بندی و خوشه بندی را متمایز کنیم، باید بگوییم دسته بندی یادگیری با نظارت و خوشه بندی یادگیری بدون نظارت است.

2-3 کاربردهای داده کاوی و کشف دانش

در بسیاری از داده ها فنون KDD قابل به کار گرفتن هستند، برای مثال :

• • اطلاعات کسب و کار

• • تحلیل داده های بازاریابی و فروش

• • تشخیص تقلب

• • تحلیل نتایج آزمایشات فنی

• • اطلاعات علمی

• • پایگاه داده های پزشکی

• • زلزله یابی در زمین شناسی

• • کنترل و زمان بندی

• • اطلاعات شخصی

2-4 چالش هایی برای KDD

• • پایگاه داده بزرگتر

پایگاه داده با صدها فیلد و جدول و اندازه های چند میلیارد بایتی کاملا متداول هستند و استفاده از پایگاه داده ترابایتی معمول می­ شود.

• • بعد زیاد

نه تنها اغلب تعداد زیادی رکورد در پایگاه داده ها وجود دارد بلکه تعداد زیادی فیلد ممکن است موجود باشند.بنابراین مساله دارای ابعاد زیادی است

• • بیش برازش^[12]

وقنی الگوریتم به دنبال بهترین پارامترهای یک مدل خاص با بهره گرفتن از مجموعه محدودی داده می­گردد، ممکن است داده ها را بیش برازش کند که منجر به عملکرد ضعیف مدل روی داده های آزمون می­ شود.

• • داده ها و دانش در حال تغییر

داده های در حال تغییر و بی ثبات^[13] ممکن است الگوهای کشف شده قبلی را بی­اعتبار کند.

• داده مفقوده و مغشوش