+ "', info_lech = '" + info_lechTextBox.Text + "' WHERE dbo . Priem.id_pr = '"+ id.ToString () +"' ", myConnection);. ExecuteNonQuery ();
} (Exception c)
{MessageBox.Show (c.ToString ());
}. Show ("Запис зроблено!");
this.Close ();}}}
. ІНТЕЛЕКТУАЛЬНИЙ АНАЛІЗ ДАНИХ
Алгоритм тимчасових рядів Майкрософт забезпечує алгоритми регресії, оптимізовані для прогнозу безперервних значень, таких як продажі продуктів, в часі. На відміну від інших алгоритмів Майкрософт, таких як дерева рішень, модель часових рядів не вимагає додаткових стовпців нових відомостей, щоб прогнозувати тенденцію. За допомогою моделі часових рядів можна прогнозувати тенденції на основі тільки вихідного набору даних, використаного для створення моделі. При прогнозуванні можна вводити в модель нові дані і автоматично задіяти їх при аналізі тенденцій. p align="justify"> На прикладі наступної діаграми показана типова модель прогнозування продажів продукту в чотирьох різних регіонах протягом певного часу. Модель на діаграмі відображає продажу в кожному регіоні, показані червоною, жовтою, бузкової і синьою лініями. Лінія для кожного регіону складається з двох частин. p align="justify"> Дані передісторії відображаються ліворуч від вертикальної лінії і представляють дані, використовувані алгоритмом для створення моделі.
Прогнозовані дані відображаються праворуч від вертикальної лінії і являють прогноз, підготовлений моделлю.
Поєднання вихідних даних і прогнозованих даних називається поруч. br/>В
Малюнок 18 - Графік алгоритму часових рядів
Важливою характеристикою алгоритму часових рядів (Майкрософт) є його здатність виконувати перехресний прогноз. При навчанні алгоритму двома окремими, але пов'язаними один з одним рядами можна використовувати підсумкову модель для прогнозування результату одного ряду на основі поведінки іншого ряду. Наприклад, спостережувані продажу одного продукту можуть вплинути на прогнозовані продажу іншого продукту. Перехресні прогнози також корисні при створенні загальної моделі, яку можна застосувати до кількох рядах. Наприклад, прогнози для певного регіону нестабільні, оскільки в ряду недостатньо даних хорошої якості. Загальну модель можна навчити на середньому значенні всіх чотирьох регіонів, а потім застосувати модель до окремих рядах, щоб підготувати більш стабільні прогнози для кожного регіону. p align="justify"> Мною було проведено Аналіз часових рядів з метою прогнозування кількості пацієнтів відвідують лікарню. Модель була навчена за коштами надання даних про кількість пацієнтів приходять до лікарні за день (Діаграма тимчасових рядів). br/>В
Малюнок 19 - Діаграма часових рядів
Прогноз показав, що виход...
