Pagina 3 di 11
Le serie temporali sono delle sequenze ordinate di punti di dati. Tipicamente si misurano in successivi spazi temporali in un intervallo di tempo uniforme. Esempi di serie temporali sono il volume annuale di acqua del fiume Nilo ad Assuan oppure il valore giornaliero di un titolo del mercato azionario.
L'area di ricerca chiamata "Analisi delle Serie Temporali" (Time Series Analysis) comprende metodi per l'analisi delle serie dati temporali allo scopo di estrarre statistiche significative, regole e modelli. Successivamente queste regole e modelli possono essere utilizzati per costruire modelli previsionali in grado di predire i futuri sviluppi. Nel caso volessimo predire futuri andamenti (es. aumento/decremento) dobbiamo risolvere un problema di Classificazione. Se cerchiamo di prevedere una serie temporale di punti (es. il Dow Jones raggiungerà i 12000 punti alla fine del prossimo mese) i dati rilevati con il data mining (tecnica estrattiva) sono chiamati Regressione.
In dDM usiamo diversi algoritmi di apprendimento automatico (machine learning) per trovare ed estrarre preziosi modelli allo scopo di costruire modelli previsionali. Gli algoritmi necessari sono integrati nel framework open-source di data mining RapidMiner che viene utilizzato per diversi compiti in dDM.
Per risolvere il problema della classificazione noi utilizziamo i seguenti algoritmi di apprendimento automatico: Decision Trees (Alberi di decisione), K-nearest Neighbours, Support Vector Machines (Macchine a vettori di supporto), Neural Networks (Reti Neurali). Inoltre Linear Regression (Regressione Lineare), Support Vector Machines, LeastMedSquare Regression e Logistic Base Regression sono utilizzati per costruire i modelli di regressione.