On the other hand, advances in info

On the other hand, advances in information technologies have made it possible to collect, store and process massive, often highly complex datasets. All this data hold valuable information such as trends and patterns, which can be used to improve decision making and optimize chances of success [23]. Data mining (DM) techniques [26] aim at extracting high-level knowledge from raw data. There are several DM algorithms, each one with its own advantages. When modeling continuous data, the linear/multiple regression (MR) is the classic approach. Neural networks (NNs) have become increasingly used since the introduction of the backpropagation algorithm [19]. More recently, support vector machines (SVMs) have also been proposed [3]. Due to their higher flexibility and nonlin- ear learning capabilities, both NNs and SVMs are gaining an attention within the DM field, often attaining high predictive performances [13]. SVMs present theoretical advantages over NNs, such as the absence of local minima in the learning phase. When applying these methods, performance highly depends on a correct variable and model selection, since simple models may fail in mapping the underlying concept and too complex ones tend to overfit the data

ผลลัพธ์ (ไทย) 1:

บนมืออื่น ๆ ความก้าวหน้าในเทคโนโลยีข้อมูลได้ทำการรวบรวม จัดเก็บ และประมวลผล datasets ขนาดใหญ่ มักสูงซับซ้อน ข้อมูลนี้เก็บข้อมูลแนวโน้มและรูปแบบ ซึ่งสามารถใช้ในการตัดสินใจปรับปรุง และเพิ่มประสิทธิภาพของความสำเร็จ [23] ข้อมูลเทคนิคการทำเหมือง (DM) [26] มุ่งแยกระดับความรู้จากข้อมูลดิบ มีอัลกอริทึม DM หลาย แต่ละคน มีข้อดีของตัวเอง เมื่อสร้างแบบจำลองข้อมูลอย่างต่อเนื่อง การถดถอยเชิงเส้น/หลาย (MR) เป็นวิธีที่คลาสสิก เครือข่ายประสาท (NNs) ได้กลายเป็นใช้ตั้งแต่การแนะนำขั้นตอนวิธี backpropagation [19] ขึ้น เมื่อเร็ว ๆ นี้ การสนับสนุนเครื่องแบบเวกเตอร์ (SVMs) ยังได้เสนอ [3] เนื่องจากมีความยืดหยุ่นสูงและความสามารถในการเรียนรู้ nonlin หูของพวกเขา NNs และ SVMs จะได้รับความสนใจภายในเขต DM มักจะบรรลุประสิทธิภาพงานสูง [13] SVMs แสดงประโยชน์ทฤษฎีผ่าน NNs เช่นการขาดงานของกมินิมาท้องถิ่นในขั้นตอนการเรียนรู้ เมื่อใช้วิธีการเหล่านี้ ประสิทธิภาพสูงขึ้นอยู่กับตัวแปรที่ถูกต้องและเลือกรูปแบบ เนื่องจากรูปแบบง่าย ๆ อาจล้มเหลวในการแม็ปแนวคิดต้นแบบ และซับซ้อนเกินกว่าที่คนมักจะ overfit ข้อมูล

ผลลัพธ์ (ไทย) 2:

ในทางกลับกัน, ความก้าวหน้าในเทคโนโลยีสารสนเทศได้ทำให้มันเป็นไปได้ที่จะรวบรวมจัดเก็บและประมวลผลขนาดใหญ่มักจะชุดข้อมูลที่ซับซ้อนมาก ข้อมูลทั้งหมดนี้เก็บข้อมูลที่มีคุณค่าเช่นแนวโน้มและรูปแบบที่สามารถนำมาใช้ในการปรับปรุงการตัดสินใจและการเพิ่มประสิทธิภาพโอกาสของความสำเร็จ [23] การทำเหมืองข้อมูล (DM) เทคนิค [26] มีจุดมุ่งหมายที่การสกัดความรู้ระดับสูงจากข้อมูลดิบ มีขั้นตอนวิธีการ DM หลายแต่ละคนมีข้อดีของตัวเองอยู่ เมื่อการสร้างแบบจำลองข้อมูลอย่างต่อเนื่องเชิงเส้น / หลายถดถอย (MR) เป็นวิธีที่คลาสสิก โครงข่ายประสาทเทียม (NNs) ได้กลายเป็นที่ใช้มากขึ้นตั้งแต่ต้นของขั้นตอนวิธีการแพร่กระจายย้อนกลับที่ [19] เมื่อเร็ว ๆ นี้การสนับสนุนเครื่องเวกเตอร์ (SVMs) ยังได้รับการเสนอ [3] เนื่องจากมีความยืดหยุ่นที่สูงขึ้นและความสามารถในการเรียนรู้ที่ไม่ตรง, NNs และ SVMs จะดึงดูดความสนใจภายในเขต DM ที่มักจะบรรลุการแสดงการคาดการณ์ที่สูง [13] จำแนกข้อได้เปรียบทางทฤษฎีในปัจจุบันมากกว่า NNs เช่นการขาดงานของท้องถิ่นน้อยในขั้นตอนการเรียนรู้ เมื่อใช้วิธีการเหล่านี้ผลการดำเนินงานสูงขึ้นอยู่กับตัวแปรที่ถูกต้องและการเลือกรูปแบบตั้งแต่แบบง่ายอาจล้มเหลวในการทำแผนที่แนวคิดพื้นฐานและคนที่ซับซ้อนเกินไปมีแนวโน้มที่จะ overfit ข้อมูล

ผลลัพธ์ (ไทย) 3:

บนมืออื่น ๆ , ความก้าวหน้าในเทคโนโลยีได้ทำให้มันเป็นไปได้ที่จะรวบรวม จัดเก็บ และประมวลผลขนาดใหญ่มักจะซับซ้อนสูงชุดข้อมูล ทั้งหมดนี้ข้อมูลเก็บข้อมูลที่มีคุณค่า เช่น แนวโน้มและรูปแบบ ซึ่งสามารถใช้เพื่อปรับปรุงการตัดสินใจและเพิ่มโอกาสของความสำเร็จ [ 23 ] การทำเหมืองข้อมูล ( DM ) เทคนิค [ 26 ] มุ่งนำความรู้พื้นฐานจากข้อมูลดิบมีขั้นตอนวิธี DM หลาย แต่ละมีข้อดีของตัวเอง เมื่อแบบจำลองข้อมูลอย่างต่อเนื่อง การถดถอยพหุคูณเชิงเส้น / ( MR ) เป็นวิธีการคลาสสิก โครงข่ายประสาทเทียม ( nns ) ได้กลายเป็นใช้มากขึ้นตั้งแต่เบื้องต้น ขั้นตอนวิธีแบบ [ 19 ] เมื่อเร็วๆ นี้ สนับสนุนเครื่องเวกเตอร์ ( แบบ ) ยังได้เสนอ [ 3 ]เนื่องจากมีความยืดหยุ่นสูง และ nonlin - หูและความสามารถในการเรียนรู้ ทั้ง nns แบบดึงดูดความสนใจใน DM สนามมักจะบรรลุสูงทำนายสมรรถนะ [ 13 ] แบบเสนอทฤษฎี nns ข้อดีมากกว่า เช่น การขาดงานของคำนามพหูพจน์ของ minimum ท้องถิ่นในขั้นตอนการเรียนรู้ เมื่อใช้วิธีการเหล่านี้ ประสิทธิภาพสูง ขึ้นอยู่กับตัวแปรที่ถูกต้อง และการเลือกรูปแบบตั้งแต่แบบง่าย ๆอาจล้มเหลวในการทำแผนที่แนวคิดพื้นฐานและซับซ้อนที่มักจะ overfit ข้อมูล