this data hold valuable information

this data hold valuable information such as trends and patterns, which can be used to improve decision making and optimize chances of success [28]. Data mining (DM) techniques [33] 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. The backpropagation algorithm was first introduced in 1974 [32] and later popularized in 1986 [23]. Since then, neural networks (NNs) have become increasingly used. More recently, support vector machines (SVMs) have also been proposed [4,26]. 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 [16,17]. SVMs present theoretical advantages over NNs, such as the absence of local minima in the learning phase. In effect, the SVM was recently considered one of the most influential DM algorithms [34]. While the MR model is easier to interpret, it is still possible to extract knowledge from NNs and SVMs, given in terms of input variable importance [18,7].

ผลลัพธ์ (ไทย) 1:

ข้อมูลนี้เก็บข้อมูลแนวโน้มและรูปแบบ ซึ่งสามารถใช้ในการตัดสินใจปรับปรุง และเพิ่มประสิทธิภาพของความสำเร็จ [28] ข้อมูลเทคนิคการทำเหมือง (DM) [33] มุ่งแยกระดับความรู้จากข้อมูลดิบ มีอัลกอริทึม DM หลาย แต่ละคน มีข้อดีของตัวเอง เมื่อสร้างแบบจำลองข้อมูลอย่างต่อเนื่อง การถดถอยเชิงเส้น/หลาย (MR) เป็นวิธีที่คลาสสิก อัลกอริทึม backpropagation รู้จักใน 1974 [32] และต่อมา popularized ในปี 1986 [23] หลังจากนั้น เครือข่ายประสาท (NNs) กลายเป็นมากขึ้นใช้ เมื่อเร็ว ๆ นี้ สนับสนุนเครื่องแบบเวกเตอร์ (SVMs) มีการเสนอ [4,26] มีความยืดหยุ่นสูงและความสามารถในการเรียนรู้ที่ไม่เชิงเส้นของพวกเขา NNs และ SVMs จะได้รับความสนใจภายในเขต DM มักจะบรรลุประสิทธิภาพงานสูง [16,17] SVMs แสดงประโยชน์ทฤษฎีผ่าน NNs เช่นการขาดงานของกมินิมาท้องถิ่นในขั้นตอนการเรียนรู้ ผล SVM เมื่อเร็ว ๆ นี้ถือเป็นหนึ่งมีอิทธิพลสูงสุด DM อัลกอริทึม [34] แบบนายเป็นง่ายต่อการตีความ คือยังสามารถดึงความรู้จาก NNs และ SVMs กำหนดในแง่ของความสำคัญตัวแปรสัญญาณ [18,7]

ผลลัพธ์ (ไทย) 2:

ข้อมูลเก็บข้อมูลที่มีคุณค่าเช่นแนวโน้มและรูปแบบที่สามารถนำมาใช้ในการปรับปรุงการตัดสินใจและการเพิ่มประสิทธิภาพโอกาสของความสำเร็จ [28] การทำเหมืองข้อมูล (DM) เทคนิค [33] มีจุดมุ่งหมายที่การสกัดความรู้ระดับสูงจากข้อมูลดิบ มีขั้นตอนวิธีการ DM หลายแต่ละคนมีข้อดีของตัวเองอยู่ เมื่อการสร้างแบบจำลองข้อมูลอย่างต่อเนื่องเชิงเส้น / หลายถดถอย (MR) เป็นวิธีที่คลาสสิก ขั้นตอนวิธีการแพร่กระจายย้อนกลับเป็นครั้งแรกในปี 1974 [32] และความนิยมต่อมาในปี 1986 [23] ตั้งแต่นั้นมาเครือข่ายประสาท (NNs) ได้กลายเป็นที่ใช้มากขึ้น เมื่อเร็ว ๆ นี้การสนับสนุนเครื่องเวกเตอร์ (SVMs) ยังได้รับการเสนอ [4,26] เนื่องจากมีความยืดหยุ่นที่สูงขึ้นและความสามารถในการเรียนรู้เชิง NNs และ SVMs จะดึงดูดความสนใจภายในเขต DM ที่มักจะบรรลุการแสดงการคาดการณ์สูง [16,17] จำแนกข้อได้เปรียบทางทฤษฎีในปัจจุบันมากกว่า NNs เช่นการขาดงานของท้องถิ่นน้อยในขั้นตอนการเรียนรู้ ผลที่ได้รับการพิจารณา SVM เมื่อเร็ว ๆ นี้หนึ่งในผู้มีอิทธิพลมากที่สุดขั้นตอนวิธีการ DM [34] ในขณะที่รุ่น MR จะง่ายต่อการตีความก็ยังคงเป็นไปได้ที่จะดึงความรู้จาก NNs และจำแนกได้รับในแง่ของความสำคัญตัวแปร [18,7]

ผลลัพธ์ (ไทย) 3:

ข้อมูลนี้เก็บข้อมูลที่มีคุณค่า เช่น แนวโน้มและรูปแบบ ซึ่งสามารถใช้เพื่อปรับปรุงการตัดสินใจและเพิ่มโอกาสของความสำเร็จ [ 28 ] การทำเหมืองข้อมูล ( DM ) เทคนิค [ 33 ] มุ่งนำความรู้พื้นฐานจากข้อมูลดิบ มีขั้นตอนวิธี DM หลาย แต่ละมีข้อดีของตัวเอง เมื่อแบบจำลองข้อมูลอย่างต่อเนื่อง การถดถอยพหุคูณเชิงเส้น / ( MR ) เป็นวิธีการคลาสสิกโดยขั้นตอนวิธีแบบเป็นครั้งแรกในปี 1974 [ 32 ] และต่อมาความนิยมใน 1986 [ 23 ] ตั้งแต่นั้นมา โครงข่ายประสาทเทียม ( nns ) ได้กลายเป็นมากขึ้นใช้ เมื่อเร็วๆ นี้ สนับสนุนเครื่องเวกเตอร์ ( แบบ ) ยังได้เสนอ [ 4,26 ] เนื่องจากมีความยืดหยุ่นสูงของพวกเขาและไม่เชิงเส้นและความสามารถในการเรียนรู้ ทั้ง nns แบบดึงดูดความสนใจใน DM ฟิลด์มักจะบรรลุสูงอันเป็นการแสดง [ อาหาร ] แบบเสนอทฤษฎี nns ข้อดีมากกว่า เช่น การขาดงานของคำนามพหูพจน์ของ minimum ท้องถิ่นในขั้นตอนการเรียนรู้ ในผล , SVM เมื่อเร็ว ๆ นี้ถือเป็นหนึ่งในขั้นตอนวิธีและมีอิทธิพลมากที่สุด [ 34 ] ในขณะที่รูปแบบคุณเป็นเรื่องง่ายที่จะตีความมันยังคงเป็นไปได้ที่จะสกัดความรู้จาก nns แบบและ ,ได้รับในแง่ของข้อมูลตัวแปรสำคัญ [ 18,7 ]