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 nonlinear
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 ทั้งหมดนี้ข้อมูลแนวโน้มและรูปแบบ ซึ่งสามารถใช้ในการเก็บข้อมูลตัดสินใจปรับปรุง และเพิ่มประสิทธิภาพของความสำเร็จ [23] การทำเหมืองข้อมูล (DM)เทคนิค [26] มุ่งแยกระดับความรู้จากข้อมูลดิบ มีมีอัลกอริทึม DM หลาย แต่ละคน มีข้อดีของตัวเอง เมื่อการสร้างโมเดลข้อมูลอย่างต่อเนื่อง การถดถอยเชิงเส้น/หลาย (MR) เป็นวิธีคลาสสิกเครือข่ายประสาท (NNs) ได้กลายเป็นใช้มากขึ้นตั้งแต่การแนะนำของอัลกอริธึม backpropagation [19] เมื่อเร็ว ๆ นี้ สนับสนุนเครื่องแบบเวกเตอร์(SVMs) ยังได้เสนอ [3] ต้องการความยืดหยุ่นสูง และไม่เชิงเส้นความสามารถในการเรียนรู้ NNs และ SVMs จะได้รับความสนใจในDM ฟิลด์ มักจะบรรลุประสิทธิภาพงานสูง [13] ปัจจุบัน SVMsประโยชน์ทฤษฎีผ่าน NNs เช่นการขาดงานของกมินิมาท้องถิ่นในการขั้นตอนการเรียนรู้ เมื่อใช้วิธีการเหล่านี้ ประสิทธิภาพสูงขึ้นอยู่กับตัวแปรที่ถูกต้องและเลือกรูปแบบ เนื่องจากรูปแบบง่าย ๆ อาจล้มเหลวในการแม็ปแนวคิดพื้นฐานและซับซ้อนเกินกว่าที่คนมักจะ overfit ข้อมูล

ผลลัพธ์ (ไทย) 2:

ในทางกลับกัน,
ความก้าวหน้าในเทคโนโลยีสารสนเทศได้ทำให้มันเป็นไปได้ที่จะรวบรวมจัดเก็บและประมวลผลขนาดใหญ่มักจะชุดข้อมูลที่ซับซ้อนมาก ทั้งหมดนี้ข้อมูลที่เก็บข้อมูลที่มีคุณค่าเช่นแนวโน้มและรูปแบบที่สามารถนำมาใช้เพื่อปรับปรุงการตัดสินใจและเพิ่มประสิทธิภาพโอกาสของความสำเร็จ[23] การทำเหมืองข้อมูล (DM) เทคนิค [26] มีจุดมุ่งหมายที่การสกัดความรู้ระดับสูงจากข้อมูลดิบ มีขั้นตอนวิธีการ DM หลายแต่ละคนมีข้อดีของตัวเองอยู่ เมื่อการสร้างแบบจำลองข้อมูลอย่างต่อเนื่องเชิงเส้น / หลายถดถอย (MR) เป็นวิธีการที่คลาสสิก. เครือข่ายประสาทเทียม (NNs) ได้กลายเป็นที่ใช้มากขึ้นนับตั้งแต่การเปิดตัวของอัลกอริทึมbackpropagation เมื่อ [19] เมื่อเร็ว ๆ นี้การสนับสนุนเครื่องเวกเตอร์(SVMs) ยังได้รับการเสนอ [3] เนื่องจากมีความยืดหยุ่นสูงและไม่เป็นเชิงเส้นความสามารถในการเรียนรู้และ NNs SVMs จะดึงดูดความสนใจภายในเขตDM ที่มักจะบรรลุการแสดงการคาดการณ์ที่สูง [13] SVMs ปัจจุบันข้อดีทฤษฎีมากกว่าNNs เช่นกรณีที่ไม่มีน้อยในท้องถิ่นที่ขั้นตอนการเรียนรู้ เมื่อใช้วิธีการเหล่านี้ผลการดำเนินงานสูงขึ้นอยู่กับตัวแปรที่ถูกต้องและการเลือกรูปแบบตั้งแต่แบบง่ายอาจล้มเหลวในการทำแผนที่แนวคิดพื้นฐานและคนที่ซับซ้อนเกินไปมีแนวโน้มที่จะoverfit ข้อมูล

ผลลัพธ์ (ไทย) 3:

บนมืออื่น ๆ , ความก้าวหน้าในเทคโนโลยีได้ทำให้มันเป็นไปได้
เพื่อรวบรวมจัดเก็บและประมวลผลขนาดใหญ่มักจะซับซ้อนสูงชุดข้อมูล ทั้งหมดนี้
ข้อมูลเก็บข้อมูลที่มีคุณค่า เช่น แนวโน้มและรูปแบบซึ่งสามารถใช้
ปรับปรุงการตัดสินใจและเพิ่มโอกาสของความสำเร็จ [ 23 ] การทำเหมืองข้อมูล ( DM )
เทคนิค [ 26 ] มุ่งนำความรู้พื้นฐานจากข้อมูลดิบ มี
เป็นขั้นตอนวิธี DM หลาย แต่ละมีข้อดีของตัวเอง เมื่อนางแบบ
ข้อมูลต่อเนื่อง สมการถดถอยพหุคูณเชิงเส้น / ( MR ) เป็นวิธีการคลาสสิก .
โครงข่ายประสาทเทียม ( nns ) ได้กลายเป็นใช้มากขึ้นตั้งแต่เบื้องต้น
ของขั้นตอนวิธีแบบ [ 19 ] เมื่อเร็วๆ นี้ สนับสนุนเครื่องเวกเตอร์
( แบบ ) ยังได้เสนอ [ 3 ] เนื่องจากมีความยืดหยุ่นสูงและเส้น
และความสามารถในการเรียนรู้ ทั้ง nns แบบดึงดูดความสนใจภายใน
DM สนามมักจะบรรลุสูงทำนายสมรรถนะ [ 13 ] แบบเสนอทฤษฎี nns
ข้อดีมากกว่า เช่น การขาดงานของท้องถิ่น ไม่นี่ ม๊าใน
ขั้นตอนการเรียนรู้ เมื่อใช้วิธีการเหล่านี้ ประสิทธิภาพสูง ขึ้นอยู่กับตัวแปรที่ถูกต้องและเลือก
รูปแบบ ตั้งแต่แบบง่าย ๆอาจล้มเหลวในการทำแผนที่
แนวคิดพื้นฐานและซับซ้อนที่มักจะ overfit ข้อมูล