ডেটা মাইনিং ফাংশনালিটি ডেটা মাইনিং টাস্কে কোন ধরনের প্যাটার্ন আবিষ্কার করতে হবে তা প্রতিনিধিত্ব করতে ব্যবহৃত হয়। সাধারণত, ডেটা মাইনিং টাস্ক দুটি টাইপে ক্লাসিফাই করা যায়: বর্ণনামূলক (descriptive) এবং প্রেডিক্টিভ (predictive)। বর্ণনামূলক মাইনিং টাস্ক ডেটাবেসের ডেটার সাধারণ বৈশিষ্ট্য বর্ণনা করে এবং প্রেডিক্টিভ মাইনিং টাস্ক বর্তমান তথ্যে ইনফারেন্স করে প্রেডিকশন তৈরি করে।
বিভিন্ন ডেটা মাইনিং ফাংশনালিটি নিচে দেওয়া হলো:
ডেটা ক্যারাক্টারাইজেশন (Data Characterization) − এটি ডেটার একটি অবজেক্ট ক্লাসের সাধারণ বৈশিষ্ট্যের সারসংক্ষেপ। ইউজার-স্পেসিফাইড ক্লাসের করেসপন্ডিং ডেটা সাধারণত একটি ডেটাবেস কোয়েরি দিয়ে সংগ্রহ করা হয়। ডেটা ক্যারাক্টারাইজেশন আউটপুট একাধিক ফর্মে উপস্থাপন করা যায়।
ডেটা ডিসক্রিমিনেশন (Data Discrimination) − এটি টার্গেট ক্লাস ডেটা অবজেক্টের সাধারণ বৈশিষ্ট্য এবং এক বা একাধিক কনট্রাস্টিং ক্লাসের অবজেক্টের সাধারণ বৈশিষ্ট্যের তুলনা। টার্গেট ও কনট্রাস্টিং ক্লাস ইউজার দ্বারা প্রতিনিধিত্ব করা হয়, এবং সমতুল্য ডেটা অবজেক্ট ডেটাবেস কোয়েরি দিয়ে ফেচ করা হয়।
অ্যাসোসিয়েশন অ্যানালিসিস (Association Analysis) − এটি ট্রানজেকশনাল ডেটাসেটে একসাথে ঘটে যegen আইটেম সেট বিশ্লেষণ করে। অ্যাসোসিয়েশন রুল নির্ধারণের জন্য দুটি প্যারামিটার ব্যবহৃত হয়:
এটি ডেটাবেসে কমন আইটেম সেট চিহ্নিত করে।
কনফিডেন্স হলো কন্ডিশনাল প্রোবাবিলিটি যে একটি আইটেম ট্রানজেকশনে ঘটবে যখন অন্য আইটেম ঘটবে।
ক্লাসিফিকেশন (Classification) − ক্লাসিফিকেশন হলো একটি মডেল আবিষ্কার করার প্রক্রিয়া যা ডেটা ক্লাস বা কনসেপ্ট রিপ্রেজেন্ট ও ডিস্টিংগুইশ করে, যাতে ক্লাস লেবেল অজানা থাকা অবজেক্টের ক্লাস প্রেডিক্ট করতে মডেল ব্যবহার করা যায়। প্রাপ্ত মডেল ট্রেনিং ডেটার সেটের অ্যানালিসিসের ওপর ভিত্তি করে (অর্থাৎ, যেসব ডেটা অবজেক্টের ক্লাস লেবেল পরিচিত)।
প্রেডিকশন (Prediction) − এটি কিছু অনুপলব্ধ ডেটা মান বা ভবিষ্যতের ট্রেন্ড প্রেডিক্ট করা নির্দেশ করে। একটি অবজেক্ট এর অ্যাট্রিবিউট মান এবং ক্লাসের অ্যাট্রিবিউট মান ওপর ভিত্তি করে প্রেডিক্ট করা যায়। এটি লপ্ত न्यুমেরিক্যাল মানের প্রেডিকশন বা টাইম-রিলেটেড ইনফরমেশনে বৃদ্ধি/হ্রাস ট্রেন্ড হতে পারে।
ক্লাস্টারিং (Clustering) − এটি ক্লাসিফিকেশনের সমান কিন্তু ক্লাসগুলো প্রিডিফাইনড নয়। ক্লাসগুলো ডেটা অ্যাট্রিবিউট দ্বারা প্রতিনিধিত্ব করা হয়। এটি আনসুপারভাইজড লার্নিং। অবজেক্টগুলো ক্লাস্টার বা গ্রুপ করা হয়, ইন্টারঅ-ক্লাস সিমিলারিটি ম্যাক্সিমাইজ এবং ইন্টারঅ-ক্লাস সিমিলারিটি মিনিমাইজ করার প্রিন্সিপেল অনুযায়ী।
আউটলায়ার অ্যানালিসিস (Outlier Analysis) − আউটলায়ার হলো এমন ডেটা এলিমেন্ট যা একটি দিয়ে ক্লাস বা ক্লাস্টারে গ্রুপ করা যায় না। এগুলো সেই ডেটা অবজেক্ট যেসব অন্য ডেটা অবজেক্টের সাধারণ আচরণ থেকে ভিন্ন আচরণ দেখায়। এই ধরনের ডেটার অ্যানালিসিস জ্ঞান মাইন করতে গুরুত্বপূর্ণ হতে পারে।
ইভোলিউশন অ্যানালিসিস (Evolution Analysis) − এটি সময়ের সাথে সাথে আচরণ পরিবর্তনশীল অবজেক্টের ট্রেন্ড বর্ণনা করে।
