شنبه 28 مهر 1397 | Saturday 20 th of October 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
4-6-3- مدل های پیش بینی داده ها

دسته­ بندی[1]:

در مسائل دسته­بندی هدف شناسایی ویژگیهایی است که گروهی را که هر مورد به ان تعلق دارد را       نشان دهند. از این الگو می­توان هم برای فهم داده­های موجود و هم پیش­بینی نحوه رفتار  موارد جدید        استفاده کرد. داده­کاوی مدل­های دسته­بندی را با بررسی داده­های دسته­بندی شده قبلی ایجاد می­کند و یک الگوی پیش­بینی­کننده را بصورت استقرایی می­یابد. این موارد موجود ممکن است از یک پایگاه داده تاریخی امده باشند.  

رگرسیون[2]:

رگرسیون از مقادیر موجود برای پیش­بینی مقادیر دیگر استفاده می­کند. در ساده­ترین فرم، رگرسیون از تکنیک­های اماری استاندارد مانند رگرسیون خطی استفاده می­کند. متاسفانه، بسیاری مسائل دنیای واقع تصویرخطی ساده­ای از مقادیر قبلی نیستند. بنابراین تکنیک­های پیچیده­تری(رگرسیون منطقی، درخت­های تصمیم، یا شبکه­های عصبی) ممکن است برای پیش­بینی مورد نیاز باشند.

انواع مدل یکسانی را می­توان هم برای رگرسیون و هم برای دسته­بندی استفاده کرد. برای مثال الگوریتم درخت تصمیم CARTرا می­توان هم برای ساخت درخت­های دسته­بندی و هم درخت­های رگرسیون      استفاده کرد. شبکه­های عصبی را نیز می­توان برای هر دو مورد استفاده کرد.  

سری زمانی[3]:

پیش­بینی­های سری زمانی مقادیر ناشناخته اینده را براساس یک سری از پیش­بینی­گرهای متغیر با زمان    پیش­بینی می­کنند. و مانند رگرسیون، از نتایج دانسته شده برای راهنمایی پیش­بینی خود استفاده می­کنند. مدل­ها باید خصوصیات متمایز زمان و بویژه سلسله­ مراتب دوره­ها را در نظر گیرند.  


[1]Classification

[2]Regression

[3]Time series

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26