Индустриальные системы Data mining
В настоящее время большинство ведущих в мире производителей программного обеспечения предлагает свои продукты и решения в области Data mining. Как правило - это масштабируемые системы, в которых реализованы различные математические алгоритмы анализа данных. Они имеют развитый графический интерфейс, богатые возможности в визуализации и манипулирования с данными, предоставляют доступ к различным источникам данных, функционирующих в архитектуре клиент/сервер на Intel или UNIX платформах. Вот несколько примеров таких систем:
· PolyAnalyst (Мегапьютер Интеллидженс)
· Intelligent Miner (IBM)
· Interprise Miner (SAS)
· Clementine (Integral Solutions)
· MineSet (Silicon Graphics)
· Knowledge Studio (Angoss Software)
Предметно-ориентированные аналитические системы
Предметно-ориентированные аналитические системы очень разнообразны. Эти системы решают узкий класс специализированных задач. Наиболее широкий подкласс таких систем, получивший распространение в области исследования финансовых рынков, носит название "технический анализ". Он представляет собой совокупность нескольких десятков методов прогноза динамики цен и выбора оптимальной структуры инвестиционного портфеля, основанных на различных эмпирических моделях динамики рынка. Эти методы часто используют несложный статистический аппарат, но максимально учитывают сложившуюся в своей области специфику (профессиональный язык, системы различных индексов и пр.).
|
|
|
На рынке имеется множество программ этого класса. Как правило, они довольно дешевы (обычно $300–1000).
Хорошим примером являются программы технического анализа финансовых рынков:
· MetaStock (Equis International, USA)
· SuperCharts (Omega Research, USA)
· Candlestick Forecaster (IPTC, USA)
· Wall Street Money (Market Arts, USA)
Статистические пакеты
Это мощные математические системы, предназначенные для статистической обработки данных любой природы. Они включают многочисленные инструменты статистического анализа, имеют развитые графические средства. Главный недостаток систем этого класса - их невозможно эффективно применять для анализа данных, не имея глубоких знаний в области статистики. Неподготовленный пользователь должен пройти специальный курс обучения.
Примеры систем:
· SAS (SAS Institute, USA)
· SPSS (SPSS, USA)
· Statgraphics (Statistical Graphics, USA)
Нейроннoсетевые пакеты
Это широкий класс разнообразных систем, представляющих собой иерархические сетевые структуры, в узлах которых находятся так называемые нейроны. Сети тренируются на примерах, и во многих случаях дают хорошие результаты предсказаний. Основными недостатками нейронных сетей являются необходимость иметь очень большой объем обучающей выборки, а также трудности в интерпретации результатов. Тренированная нейронная сеть представляет собой "умный черный ящик", работу которого невозможно понять и контролировать.
|
|
|
Примеры нейронно-сетевых пакетов:
· BrainMaker (CSS, USA)
· NeuroShell (Ward Systems Group, USA)
· OWL (Hyperlogic, USA)
Пакеты , реализующие алгоритмы "Decision trees"
Деревья решения являются одним из наиболее популярных подходов к решению задач Data Mining. Этот метод используется только для решения задач классификации. Это является его серьезным ограничением. Результатом работы метода является иерархическая древовидная структура классификационных правил типа "IF...THEN...". Для принятия решения, к какому классу отнести некоторый объект или ситуацию, требуется ответить на вопросы, стоящие в узлах этого дерева, начиная с его корня. Вопросы имеют вид "значение параметра A больше x?". Если ответ положительный, осуществляется переход к правому узлу следующего уровня, если отрицательный — то к левому узлу; затем снова следует вопрос, связанный с соответствующим узлом. Достоинством метода является естественная способность классификации на множество классов.
Примеры систем:
· C5.0 (Rule Quest, Australia)
· SIPINA (University of Lyon, France)
· IDIS (Information Discovery, USA)
Дата добавления: 2019-03-09; просмотров: 230; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!