The rapid growth of interest in dat

The rapid growth of interest in data mining is due to the 1) falling cost of large storage devices and increasing ease of collecting data over networks; 2) development of robust and ef¬ficient machine learning algorithms to process this data; and
3) falling cost of computational power, enabling use of com-putationally intensive methods for data analysis [16].
The notion of scalability relates to the efficient processing of such large data sets, while generating from them the best pos-sible models. The most commonly cited reason for scaling up is that increasing the size of the training set often increases the accuracy of learned classification models. In many cases, the degradation in accuracy when learning from smaller samples stems from overfitting, presence of noise, and existence of large number of features. Again, scaling up to very large data sets im¬plies that fast learning algorithms must be developed. However, rather than speeding up a slow algorithm, the issue is more of turning an impracticable algorithm into a feasible one. A large number of examples introduces potential problems with both time and space complexity. Finally, the goal of the learning (say, classification accuracy) must not be substantially sacrificed by a scaling algorithm. The three main approaches to scaling up include [54] the following:

Hasil (Bahasa Indonesia) 1:

Pertumbuhan yang cepat menarik di data pertambangan adalah karena 1) jatuh biaya perangkat penyimpanan besar dan meningkatkan mudah mengumpulkan data melalui jaringan; 2) pengembangan kuat dan ef¬ficient algoritma mesin belajar untuk memproses data ini; dan3) jatuh biaya komputasi kekuasaan, memungkinkan penggunaan metode com-putationally intensif untuk analisis data [16].Konsep skalabilitas berhubungan dengan pengolahan efisien seperti kumpulan data yang besar, sementara menghasilkan dari mereka model pos-sible terbaik. Yang paling sering dikutip untuk alasan untuk scaling up adalah bahwa meningkatkan ukuran pelatihan menetapkan sering meningkatkan akurasi model klasifikasi belajar. Dalam banyak kasus, degradasi dalam akurasi ketika belajar dari sampel kecil berasal dari overfitting, kehadiran kebisingan, dan adanya sejumlah besar fitur. Sekali lagi, skala untuk im¬plies sangat besar set data yang cepat belajar algoritma harus dikembangkan. Namun, daripada mempercepat algoritma yang lambat, masalah adalah lebih dari mengubah algoritma tidak praktis menjadi salah satu yang layak. Sejumlah besar contoh memperkenalkan potensi masalah dengan kompleksitas ruang dan waktu. Akhirnya, tujuan pembelajaran (mengatakan, klasifikasi akurasi) harus tidak substansial dikorbankan oleh algoritma skala. Tiga pendekatan utama untuk skala meliputi [54]:

Hasil (Bahasa Indonesia) 2:

Pesatnya pertumbuhan minat data mining adalah karena 1) jatuh biaya perangkat penyimpanan yang besar dan meningkatkan kemudahan pengumpulan data melalui jaringan; 2) pengembangan algoritma pembelajaran mesin yang kuat dan ef¬ficient untuk memproses data ini; dan
3) jatuh biaya tenaga komputasi, memungkinkan penggunaan metode com-putationally intensif untuk analisis data [16].
Gagasan skalabilitas berkaitan dengan proses yang efisien seperti set data yang besar, sementara menghasilkan dari mereka yang terbaik model pos-jawab. Alasan yang paling sering dikutip untuk scaling up adalah bahwa meningkatkan ukuran pelatihan ditetapkan sering meningkatkan akurasi model klasifikasi belajar. Dalam banyak kasus, degradasi akurasi ketika belajar dari sampel yang lebih kecil berasal dari overfitting, kehadiran kebisingan, dan adanya sejumlah besar fitur. Sekali lagi, scaling up untuk set data yang sangat besar im¬plies bahwa algoritma pembelajaran cepat harus dikembangkan. Namun, bukan mempercepat algoritma lambat, masalah ini lebih dari mengubah algoritma praktis menjadi satu layak. Sejumlah besar contoh memperkenalkan potensi masalah dengan waktu dan kompleksitas ruang. Akhirnya, tujuan pembelajaran (misalnya, akurasi klasifikasi) tidak boleh secara substansial dikorbankan oleh algoritma scaling. Tiga pendekatan utama untuk scaling up meliputi [54] sebagai berikut: