C. Predication Regression technique

C. Predication
Regression technique can be adapted for predication. Regression analysis can be used to model the relationship between one or more independent variables and dependent variables. In data mining independent variables are attributes already known and response variables are what we want to predict. Unfortunately, many real-world problems are not simply prediction. Therefore, more complex techniques (e.g., logistic regression, decision trees, or neural nets) may be necessary to forecast future values. The same model types can often be used for both regression and classification. For example, the CART (Classification and Regression Trees) decision tree algorithm can be used to build both classification trees (to classify categorical response variables) and regression trees (to forecast continuous response variables). Neural networks too can create both classification and regression models.

ผลลัพธ์ (ไทย) 1:

C. predication เทคนิคการถดถอยสามารถดัดแปลงสำหรับ predication วิเคราะห์การถดถอยสามารถใช้แบบจำลองความสัมพันธ์ระหว่างตัวแปรอิสระและตัวแปรขึ้นอยู่กับอย่าง น้อยหนึ่ง ข้อมูล ตัวแปรอิสระเหมืองแอตทริบิวต์อยู่แล้วรู้จักกัน และตัวแปรตอบสนองเป็นสิ่งที่เราต้องการทำนาย อับ ปัญหาจริงมากไม่เพียงแค่การคาดเดา ดังนั้น เทคนิคซับซ้อน (เช่น การถดถอยโลจิสติก ต้นไม้การตัดสินใจ หรือตาข่ายประสาท) อาจจำเป็นต้องคาดการณ์มูลค่าในอนาคต มักจะใช้ชนิดรูปแบบเดียวกันถดถอยและการจัดประเภท ตัวอย่าง ต้นไม้ตัดสินใจรถเข็น (การจัดประเภทและต้นไม้ถดถอย) อัลกอริทึมสามารถใช้ในการสร้างต้นไม้ประเภท (การจัดประเภทตัวแปรตอบสนองแน่ชัด) และต้นไม้ถดถอย (การคาดการณ์ตัวแปรตอบสนองที่ต่อเนื่อง) เครือข่ายประสาทเกินไปสามารถสร้างรูปแบบการจัดประเภทและถดถอย

ผลลัพธ์ (ไทย) 2:

ซี Predication
เทคนิคการถดถอยสามารถนำมาปรับ predication การวิเคราะห์การถดถอยสามารถนำมาใช้ในการจำลองความสัมพันธ์ระหว่างหนึ่งหรือตัวแปรอิสระและตัวแปรอื่น ๆ ขึ้นอยู่กับ ในการทำเหมืองข้อมูลตัวแปรอิสระที่มีคุณลักษณะที่รู้จักกันอยู่แล้วและตัวแปรการตอบสนองเป็นสิ่งที่เราต้องการที่จะทำนาย แต่น่าเสียดายที่หลายปัญหาที่แท้จริงของโลกไม่ได้เพียงแค่การคาดการณ์ ดังนั้นเทคนิคที่ซับซ้อนมากขึ้น (เช่นการถดถอยโลจิสติกการตัดสินใจต้นไม้หรือประสาท) อาจมีความจำเป็นที่จะคาดการณ์ค่าในอนาคต ประเภทรูปแบบเดียวกันมักจะสามารถใช้สำหรับทั้งการถดถอยและการจำแนก ยกตัวอย่างเช่นรถเข็น (การจำแนกประเภทและต้นไม้ถดถอย) ขั้นตอนวิธีการตัดสินใจต้นไม้สามารถนำมาใช้ในการสร้างทั้งต้นไม้การจัดหมวดหมู่ (การจำแนกตัวแปรตอบสนองเด็ดขาด) และต้นถดถอย (ตัวแปรที่จะคาดการณ์การตอบสนองต่อเนื่อง) โครงข่ายประสาทเทียมก็สามารถสร้างทั้งการจำแนกประเภทและรูปแบบการถดถอย

ผลลัพธ์ (ไทย) 3:

C .
) เทคนิคทั่วไปสามารถดัดแปลงด้วยตนเอง . การวิเคราะห์การถดถอยสามารถใช้หนึ่งหรือมากกว่าหนึ่งรูปแบบความสัมพันธ์ระหว่างตัวแปรอิสระและตัวแปรตาม . ในการทำเหมืองข้อมูลตัวแปรอิสระเป็นคุณลักษณะที่รู้จักกันอยู่แล้ว และตัวแปรตอบสนองสิ่งที่เราต้องการที่จะคาดเดาได้ แต่น่าเสียดายที่ปัญหาจริงมากไม่เพียงแค่คำทำนาย ดังนั้นเทคนิคที่ซับซ้อนมากขึ้น ( เช่นการถดถอยโลจิสติก , ต้นไม้ , การตัดสินใจหรือตาข่ายประสาท ) อาจจะต้องค่าพยากรณ์อนาคต model แน่ใจของคุณ : หนึ่งเจ็ดหลักการ ( เจดีย์ใน ตัวอย่างเช่นรถเข็น ( การจำแนกและการถดถอยต้นไม้ ) ขั้นตอนวิธีต้นไม้การตัดสินใจสามารถใช้ในการสร้างทั้งหมวดหมู่ต้นไม้ ( จัดกลุ่มตัวแปรตอบสนองอย่างแท้จริง ) และสมการถดถอยต้นไม้ ( พยากรณ์ตัวแปรตอบสนองแบบต่อเนื่อง ) โครงข่ายประสาทเทียมก็สามารถสร้างโมเดลทั้งการจำแนกและการถดถอย