Datizrace un zināšanu atklāšana

REZULTĀTU APKOPOJUMS UN SECINĀJUMI
Šis studiju darbs sevī ietvēra četru uzdevumu risinājumus – 1) datu klasterēšana, 2) datu klasifikācija, klasifikācijas koki un klasifikatoru ansambļi, 3) laika rindu prognozēšana un 4) datorredzes tehnoloģijas.
Datu klasterēšanas uzdevumā tika izmantoti trīs algoritmi – K-vidējo klasterēšanas, Hierarhiskā klasterēšanas un Izplūdušo C-vidējo klasterēšanas algoritmi. Pēc eksperimentu veikšanas ar katru no nosauktajiem algoritmiem mēs ieguvām, ka labākais algoritms šai atlasītajai datu kopai būs K-vidējo algoritms, kuram bija vislielākā precizitāte un ko arī parādīja vismazākā summētā kvadrātiskā kļūda, un tieši šim algoritmam mēs izvēlējāmies labāko klasteru skaitu.
Datu klasifikācijas uzdevumā mēs implementējām piecus algoritmu – K-tuvāko kaimiņu, Baijesa Naivo klasifikatoru, klasifikācijas koku (C5.0 algoritmu), klasifikatoru ansambļus (Ada un RandomForest), kā arī pielietojām mākslīgos neironu tīklus (neuralnet). Kopumā, neironu tīklu iegūtie rezultāti precizitātes ziņā nebija tie labākie (Baijesa un klasifikatoru ansambļiem bija lielāka precizitāte), un K-tuvāko kaimiņu algortims šā vai tā palika labākais klasifikācijas algoritms pēc maniem veiktajiem eksperimentu rezultātiem.
Laika rindu prognozēšanai es izmantoju ARIMA (Autoregressive Integrated Moving Average) modeli, jo par to es uzzināju meklējot informāciju par šo studiju darbu, un izrādījās, ka šis modelis ir efektīvs, lai prognozētu laika rindas. Šis modelis apvienojumā ar forecast() modeli, deva nepieciešamos rezultātus pietiekami detalizētos grafikos, kas prognozēja vērtības dažāda lieluma periodiem. Bija iespējams arī realizēt šo uzdevumu ar neironu tīkliem, bet es to neizvēlējos darīt, jo otrajā uzdevumā tas jau tika izmantots un man bija vēlme veikt eksperimentus ar cita algoritma pielietošanu.
…