پنج شنبه 10 فروردین 1396 | Thursday 30 th of March 2017 صفحه اصلی گروه الکترونیکی کامپیوتر
2-6-4- مدل‌های پیش‌بینی داده‌ها
  • کلاس‌بندی[1]

در مسائل کلاس‌بندی هدف شناسایی ویژگی‌هایی است که به یک گروه خاص تعلق دارد. از این الگو می‌توان هم برای فهم داده‌های موجود و هم پیش‌بینی نحوه رفتار مواد جدید استفاده کرد.

داده‌کاوی مدل‌های کلاس‌بندی را با بررسی داده‌های دسته‌بندی‌شده قبلی ایجاد می‌کند و یک الگوی پیش‌بینی‌کننده را به صورت استقرایی می‌یابد. این موارد موجود ممکن است از یک پایگاه داده تاریخی به دست امده باشند.

  • رگرسیون[2]

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

مدل‌های یکسانی را می‌توان هم برای رگرسیون و هم برای کلاس‌بندی استفاده کرد. برای مثال الگوریتم درخت تصمیم CARTرا می‌توان هم برای ساخت درخت‌های کلاس‌بندی و هم درخت‌های رگرسیون استفاده کرد. شبکه های 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 پیش بینی خود استفاده می‌کنند. مدل‌ها باید خصوصیات متمایز زمان به ویژه 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