3 Data Mining and Time Series Berry

3 Data Mining and Time Series Berry and Linoff defined data mining as the analysis of huge amounts of data by automatic or semi-automatic means, in order to identify significant patterns or rules [6, 19]. One of the most important data mining techniques is time series analysis. Time series data often arise when monitoring industrial processes or tracking corporate business metrics [22]. Time series analysis can be used to accomplish different goals:
(1).
Descriptive analysis determines what trends and patterns a time series has by plotting or using more complex techniques.
(2).
Spectral analysis is carried out to describe how variation in a time series may be accounted for by cyclic components. This may also be referred to as "Frequency Domain". With this an estimate of the spectrum over a range of frequencies can be obtained and periodic components in a noisy environment can be separated out [23].
(3).
Forecasting can do just that - if a time series has behaved a certain way in the past, the future behavior can be predicted within certain confidence limits by building models.
(4).
Intervention analysis can explain if there is a certain event that occurs that changes a time series. This technique is used a lot of the time in planned experimental analysis.
(5).
Explanative analysis using one or more variable time series, a mechanism that results in a dependent time series can be estimated [11].
One of the most important forecasting techniques is exponential smoothing analysis for time series analysis. Forecasts generated with this method are a weighted average of the past values of the variable. The weights decline for older observations. The rationale is that more recent observations are more inuential than older observations. The exponential smoothing analysis is

ผลลัพธ์ (ไทย) 1:

3 การทำ เหมืองข้อมูล และเบอร์ รี่ชุดเวลา และ Linoff กำหนดการทำเหมืองข้อมูลเป็นการวิเคราะห์ข้อมูลจำนวนมาก โดยอัตโนมัติ หรือกึ่งอัตโนมัติ เพื่อระบุรูปแบบที่สำคัญหรือกฎ [6, 19] เทคนิคการทำเหมืองข้อมูลสำคัญที่สุดอย่างใดอย่างหนึ่งคือเวลาชุดวิเคราะห์ ข้อมูลอนุกรมเวลามักจะเกิดขึ้นเมื่อการตรวจสอบกระบวนการอุตสาหกรรมหรือการติดตามตัวชี้วัดธุรกิจ [22] เวลาชุดวิเคราะห์สามารถใช้เพื่อบรรลุเป้าหมายแตกต่างกัน: (1) อธิบายวิเคราะห์กำหนดแนวโน้มและรูปแบบใดชุดเวลามีพล็อต หรือใช้เทคนิคที่ซับซ้อนมากขึ้น (2) วิเคราะห์สเปกตรัมจะดำเนินการเพื่ออธิบายวิธีการเปลี่ยนแปลงในเวลาอาจจะลงบัญชี โดยคอมโพเนนต์วงจร นี้อาจจะเรียกว่า "โดเมนความถี่" นี้ สามารถรับการประเมินของสเปกตรัมในช่วงของความถี่ และสามารถแยกส่วนประกอบเป็นครั้งคราวในสภาพแวดล้อมที่เสียงดังออก [23] (3) การคาดการณ์จะทำเพียงว่า - ถ้าอนุกรมเวลามีประพฤติตัวบางประการในอดีต การทำงานในอนาคตสามารถคาดการณ์ภายในขีดจำกัดความเชื่อมั่นบางอย่าง โดยการสร้างแบบจำลอง (4) ผู้วิเคราะห์สามารถอธิบายถ้า มีเหตุการณ์บางอย่างที่เกิดขึ้นที่เปลี่ยนชุดเวลา เทคนิคนี้จะใช้มากเวลาในการวิเคราะห์แผนการทดลอง (5) Explanative วิเคราะห์โดยใช้อย่าง น้อยหนึ่งตัวแปรอนุกรมเวลา กลไกที่เป็นผลลัพธ์ในชุดขึ้นอยู่กับเวลาโดยประมาณ [11] เทคนิคการคาดการณ์สำคัญที่สุดอย่างใดอย่างหนึ่งคือเนนเรียบวิเคราะห์สำหรับการวิเคราะห์ชุดข้อมูลเวลา การคาดการณ์ที่สร้างขึ้น ด้วยวิธีนี้ที่น้ำหนักเฉลี่ยของค่าช่วงของตัวแปร น้ำหนักลดลงสำหรับการสังเกตที่เก่า เหตุผลคือ ว่า สังเกตล่าสุดเป็น inuential มากขึ้นกว่าเก่าสังเกต เป็นการวิเคราะห์ให้เรียบเนน

ผลลัพธ์ (ไทย) 2:

การทำเหมืองแร่ 3 ข้อมูลและอนุกรมเวลาและแบล็กเบอร์ Linoff กำหนดการทำเหมืองข้อมูลการวิเคราะห์ของข้อมูลจำนวนมากด้วยวิธีอัตโนมัติหรือกึ่งอัตโนมัติในการสั่งซื้อเพื่อระบุรูปแบบที่สำคัญหรือกฎ [6, 19] หนึ่งในสิ่งที่สำคัญที่สุดเทคนิคการทำเหมืองข้อมูลคือการวิเคราะห์อนุกรมเวลา ข้อมูลอนุกรมเวลาที่มักจะเกิดขึ้นเมื่อมีการตรวจสอบกระบวนการทางอุตสาหกรรมหรือการติดตามตัวชี้วัดทางธุรกิจขององค์กร [22] การวิเคราะห์อนุกรมเวลาสามารถนำมาใช้เพื่อบรรลุเป้าหมายที่แตกต่างกัน:
(1).
การวิเคราะห์เชิงพรรณนากำหนดสิ่งที่แนวโน้มและรูปแบบอนุกรมเวลามีโดยการวางแผนหรือการใช้เทคนิคที่ซับซ้อนมากขึ้น.
(2).
การวิเคราะห์สเปกตรัมจะดำเนินการในการอธิบายถึงรูปแบบวิธีการในช่วงเวลาที่ ชุดอาจจะคิดโดยส่วนประกอบวงจร นอกจากนี้ยังอาจจะเรียกว่า "ความถี่โดเมน" ด้วยวิธีนี้การประมาณการของสเปกตรัมในช่วงความถี่ที่สามารถรับได้และส่วนประกอบเป็นระยะ ๆ ในสภาพแวดล้อมที่มีเสียงดังสามารถแยกออก [23].
(3).
การพยากรณ์สามารถทำได้เพียงว่า - ถ้าชุดเวลาที่มีความประพฤติเป็นวิธีหนึ่งในการ ที่ผ่านมาพฤติกรรมในอนาคตสามารถคาดการณ์ภายในขอบเขตความเชื่อมั่นบางอย่างโดยการสร้างแบบจำลอง.
(4).
การวิเคราะห์การแทรกแซงสามารถอธิบายได้ว่าถ้ามีเหตุการณ์บางอย่างที่เกิดขึ้นที่มีการเปลี่ยนแปลงชุดเวลา เทคนิคนี้จะใช้จำนวนมากของเวลาในการวิเคราะห์การทดลองวางแผน.
(5).
การวิเคราะห์ explanative ใช้หนึ่งหรืออนุกรมเวลาตัวแปรมากขึ้นกลไกที่ส่งผลให้ในชุดขึ้นอยู่กับเวลาสามารถประมาณ [11] ก.
หนึ่งในการคาดการณ์ที่สำคัญที่สุด เทคนิคคือการวิเคราะห์เรียบชี้แจงสำหรับการวิเคราะห์อนุกรมเวลา การคาดการณ์ที่สร้างด้วยวิธีนี้มีค่าเฉลี่ยถ่วงน้ำหนักของค่าในอดีตของตัวแปร น้ำหนักลดลงสำหรับข้อสังเกตที่มีอายุมากกว่า เหตุผลก็คือว่าข้อสังเกตที่ผ่านมามากขึ้น inuential มากกว่าสังเกตเก่า การวิเคราะห์เรียบชี้แจงคือ

ผลลัพธ์ (ไทย) 3:

3 ข้อมูลเหมืองแร่และเวลาเบอร์รี่ชุดและ linoff กําหนดการทําเหมืองข้อมูลเป็นการวิเคราะห์ของขนาดใหญ่ปริมาณของข้อมูลโดยอัตโนมัติหรือกึ่งอัตโนมัติ หมายความว่า ในการระบุรูปแบบ หรือกฎ 6 ) [ 19 ] หนึ่งในเทคนิคการทำเหมืองข้อมูลสำคัญที่สุดคือการวิเคราะห์อนุกรมเวลา ข้อมูลอนุกรมเวลาที่มักจะเกิดขึ้นเมื่อการตรวจสอบกระบวนการอุตสาหกรรม หรือการติดตามตัวชี้วัดทางธุรกิจขององค์กร [ 22 ] การวิเคราะห์อนุกรมเวลาสามารถใช้เพื่อบรรลุเป้าหมายที่แตกต่างกัน :( 1 )วิเคราะห์กำหนดสิ่งที่รูปแบบและแนวโน้มอนุกรมเวลามีการวางแผนหรือการใช้เทคนิคที่ซับซ้อนมากขึ้น( 2 )การวิเคราะห์สเปกตรัมการอธิบายวิธีการเปลี่ยนแปลงในเวลา ชุดอาจจะคิดเป็นส่วนประกอบเป็นวงกลม . นี้อาจจะเรียกว่า " โดเมน " ความถี่ กับการประเมินของสเปกตรัมในช่วงของความถี่ที่สามารถได้รับและธาตุองค์ประกอบในสภาพแวดล้อมที่มีเสียงดัง ก็จะแบ่งออก [ 23 ]( 3 )พยากรณ์ได้เพียงว่า - ถ้าเวลาชุดประพฤติวิธีการบางอย่างในอดีต สามารถทำนายพฤติกรรมในอนาคตภายในขีดจำกัดความเชื่อมั่นบางอย่าง โดยรูปแบบอาคาร( 4 )การวิเคราะห์การแทรกแซงสามารถอธิบายได้ว่ามีบางเหตุการณ์ที่เกิดขึ้นว่า มีการเปลี่ยนแปลงเวลา ชุด เทคนิคนี้จะใช้มากของเวลาในการวางแผนการทดลองการวิเคราะห์( 5 )การวิเคราะห์อนุกรมเวลา explanative โดยใช้หนึ่งหรือมากกว่าหนึ่งตัวแปร , กลไกที่ส่งผลให้ในชุดขึ้นกับเวลา สามารถประเมิน [ 11 ]หนึ่งที่สำคัญที่สุดคือการวิเคราะห์เทคนิคการพยากรณ์อนุกรมเวลาการวิเคราะห์อนุกรมเวลา การคาดการณ์ที่สร้างด้วยวิธีนี้เป็นค่าเฉลี่ยถ่วงน้ำหนักของค่าผ่านตัวแปร ลดลงของน้ำหนักตัวอย่างเก่า เหตุผลคือ การสังเกตมากขึ้นล่าสุดมี inuential กว่าตัวอย่างเก่า การวิเคราะห์อนุกรมเวลาคือ