Лекция № Анализ данных. Управление данными Цель лекции: изучить основы анализа данных
жүктеу/скачать 54,46 Kb.
|
Лекция 6-7
14.09.20.Т3А, 1-laboratory work, Доша, Examination ticket, Examination ticket, 13 апта лек. ҚАЗАҚСТАН - ЗАМАНАУИ ӘЛЕМ МОЙЫНДАҒАН ЕЛ., Amerzhanova ict, Internet of things , ВВсеволод, Дәурен-эссе (1), диплом Сезім, Детковская титул03,06, Детковская, 21, Ссылка
- Бұл бет үшін навигация:
- Анализ данных
| Лекция № 6. Анализ данных. Управление данными Цель лекции: изучить основы анализа данных. Содержание лекции: методы сбора, классификации и прогнозирования. Деревья решений. Обработка больших объёмов данных. Методы и стадии Data Mining. Задачи Data Mining. Визуализация данных. Анализ данныхАнализ данных – это процесс исследования, фильтрации, преобразования и моделирования данных с целью извлечения полезной информации и принятия решений. Анализ данных имеет множество аспектов и подходов, охватывает разные методы в различных областях науки и деятельности. Для создания плана сбора данных необходимо: Определить проблемы и сформулировать цели исследования. Осуществить предварительное изучение интересующей темы. Разработать концепции исследования. Произвести детальное планирование исследования. Произвести отбор источников информации и сбор вторичных данных. Оценить полученные данные и принять решение, насколько необходимы первичные данные. Определить способ сбора первичных данных: опрос, наблюдение, эксперимент. Провести непосредственно сбор первичной информации. Представить результаты исследования (презентация). Методы прогнозирования данных делятся на: интуитивные, которые имеют дело с суждениями и оценками экспертов; формализованные, которые уже описаны в литературе и на основе которых уже строят модели прогнозирования. Деревья решений широко используются в области анализа данных. Деревья решений – это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение. Все задачи, которые решает способ дерева, могут быть объединены в следующие три класса: Описание данных: Деревья решений позволяют хранить информацию о данных в компактной форме, вместо них мы можем хранить дерево решений, которое содержит точное описание объектов. Классификация: Деревья решений отлично справляются с задачами классификации, т.е. отнесения объектов к одному из заранее известных классов. Целевая переменная должна иметь дискретные значения. Регрессия: Если целевая переменная имеет непрерывные значения, деревья решений позволяют установить зависимость целевой переменной от независимых(входных) переменных. Например, к этому классу относятся задачи численного прогнозирования (предсказания значений целевой переменной). Существует много алгоритмов, которые реализуют деревья решений, среди них такие, как CART, C4.5, NewId, ITrule, CHAID, CN2 и т.д. Но наиболее распространены следующие: CART (Classification and Regression Tree) – алгоритм построения бинарного дерева решений – дихотомической классификационной модели. Каждый узел такого дерева при разбиении имеет только двух потомков. Алгоритм решает задачи классификации и регрессии. C4.5 – это алгоритм построения дерева решений, в котором количество потомков у узла не ограничено. жүктеу/скачать 54,46 Kb. Достарыңызбен бөлісу:
|