Знаходження в даних моделей, які не можуть бути знайдені звичайними методами.

Оптимізація швидкості виконання SQL-запитів.

Візуалізація статистичних звітів для керівництва.

Створення резервних копій великих баз даних.

Вони використовуються лише для виявлення "шуму".

Вони ігнорують категоріальні параметри.

Вони описують залежність як між числовими, так і між категоріальними параметрами.

Вони описують залежність лише між числовими параметрами.

Це єдиний спосіб побудувати регресію.

Щоб замінити їх середніми значеннями.

Щоб завжди видаляти їх без аналізу.

Тому що більшість методів аналізу дуже чутливі до наявності таких "шумів".

Кластеризація базується лише на часових мітках.

Об'єкти групуються випадковим чином для створення вибірки.

Об'єкти всередині кластера повинні бути максимально несхожими.

Об'єкти всередині кластера мають бути подібними, а між кластерами — мати суттєві відмінності.

Тільки на теоретичних припущеннях аналітика.

На підставі набору даних з уже відомими результатами.

Виключно на випадкових вибірках без структури.

На даних, що містять лише категоріальні параметри.

Підсумкова модель.

Модель винятків.

Асоціативна модель.

Модель послідовностей.

Моделі, що видаляють дублікати в базах даних.

Моделі, що описують лише числові функції.

Моделі виявлення закономірностей між пов'язаними подіями (якщо Х, то Ү).

Моделі, що візуалізують структуру нейронної мережі.

Максимальна складність алгоритму.

Здатність працювати лише з великими масивами.

Легкість і прозорість для сприйняття людиною.

Обов'язкова наявність відомих результатів для навчання.

Тільки ієрархічні зв'язки між об'єктами.

Послідовність подій у часі.

Функціональні залежності між залежними і незалежними показниками.

Виключно аномалії в медичних даних.

Коли він вказує на рідкісні, але важливі аномальні явища чи захворювання.

Коли він повністю відповідає загальній статистиці.

Коли він виникає через випадковий збій обладнання.

Коли це помилка оператора при встановленні десяткової точки.