Hybrid Data Exploration Methods to Prediction Tasks Solving

The paper presents the data exploration issue in a context of the prediction tasks solution. There arę presented three methodologies of data models construction in the paper. The methodologies are used to solve the prediction tasks. They also deliver an easily interpretable knowledge about the modeled process. The methodologies, called hybrid methods, combine analytical algorithms (clustering, rules induction) and optimization algorithms (genetic algorithms, error backpropagation). The paper presents also a method of a data transformation between the temporal data representation and the data representation acceptable. for algorithms using learning by examples paradigm. The paper presents also the results of the experiments performed on the benchmark data and the data obtained from a methane concentration monitoring system in a coal mine.

---

W artykule przedstawiono problem eksploracji danych w kontekście realizacji zadań związanych z predykcją. Przedstawiono i porównano trzy metodologie uzyskiwania modeli danych, które poza tym, że wykorzystywane są do rozwiązywania zadań predykcyjnych dostarczają również stosunkowo łatwo interpretowalnej wiedzy o opisywanym procesie. Przedstawione metodologie łączą algorytmy analityczne (grupowanie danych, indukcja reguł) z metodami optymalizacji (algorytmy genetyczne, wsteczna propagacja błędu) stąd nazwa metody hybrydowe. W artykule omówiono również metodę przejścia z temporalnej reprezentacji danych na reprezentację akceptowalną przez algorytmy wykorzystujące paradygmat uczenia na podstawie przykładów. Na zakończenie przedstawiono wyniki eksperymentów przeprowadzonych na zbiorze danych benchmarkowych oraz na zbiorze pochodzącym z bazy danych systemu monitorującego wydzielanie metanu w kopalniach.