どの用途にどのアルゴリズムが適しているかを判断するのは、難しい作業です。いくつかのアルゴリズムを組み合わせてデータを分析できます。たとえば、最初に時系列アルゴリズムを使用してデータを平滑化し、次に回帰アルゴリズムを使用してトレンドを検出することができます。
次の表に、用途と、その用途に適したアルゴリズムを示します。
| 目的 |
アルゴリズム |
| 時間ベースの予測を実行する |
時系列アルゴリズム - Single Exponential Smoothing (単一指数平滑化)
- Double Exponential Smoothing (二重指数平滑化)
- Triple Exponential Smoothing (三重指数平滑化)
|
| データセットの他の変数に基づいて、連続変数を予測する |
回帰アルゴリズム - Linear Regression (線形回帰)
- Exponential Regression (指数回帰)
- Geometric Regression (幾何回帰)
- Logarithmic Regression (対数回帰)
- Multiple Linear Regression (重線形回帰)
- Polynomial Regression (多項式回帰)
- Logistic Regression (ロジスティクス回帰)
|
| 大きなトランザクションデータセットの頻出する項目セットのパターンを検出し、関係ルールを生成する |
関係アルゴリズム
|
| 監視を類似する項目セットのグループにクラスタリングする |
クラスタリングアルゴリズム
|
| データセットの他の変数に基づいて、1 つ以上の離散変数を分類および予測する |
デシジョンツリー - HANA C 4.5
- R-CNR Tree (R CNR ツリー)
- CHAID
|
| データセットの外れ値を検出する |
外れ値検出アルゴリズム - Inter Quartile Range (四分位範囲)
- Nearest Neighbor Outlier (最近隣外れ値)
- Anomaly Detection (例外検出)
- Variance Test (分散テスト)
|
| 予測、分類、および統計パターン認識を行う |
ニューラルネットワークアルゴリズム - R-NNet Neural Network (R-NNet ニューラルネットワーク)
- R-MONMLP Neural Network (R-MONMLP ニューラルネットワーク)
|
関連するアルゴリズムが見つからなかった場合、
Expert Analytics 内で R スクリプトを使用し、独自のカスタムコンポーネントを作成して、取得したデータに対する分析を実行できます。カスタムコンポーネントの追加に関する詳細については、以下をを参照してください。
R コンポーネント作成ウィザードによるプロパティの指定