الگوریتم هرس درخت تصمیم موازی مشترک مبتنی بر Hadoop

مفهوم دانش مشترک، به یادگیری دانش به اشتراک گذاشته شده از اشیای مختلف و به کارگیری دانش یادگرفته شده در مورد موارد ناشناخته برای تسریع در شناسایی اشیا اشاره دارد. برای مسائل با بازده پایین، الگوریتم دسته بندی سنتی قادر به مواجه شدن با حجم عظیمی از داده ها نیست پس با تکنولوژی محاسبات کلود که یک الگوریتم درخت تصمیم موازی مشترک ( PSDT ) را پیشنهاد می کندترکیب می شود. اگرچه این الگوریتم بازده را بهبود می بخشد، برای حذف اثر پارازیت های مجموعه آموزشی، آن باید بهینه سازی شود. بنابراین در این مقاله، بر اساس الگوریتم PSDT ، الگوریتم هرس خطای درخت تصمیم موازی مشترک ( PSDT-IEP ) پیشنهاد می شود. درالگوریتم مان ما تاثیر عدم اطمینان را با استفاده از دسته بندی تعداد خطای احتمالی عدم اطمینان از مجموعه داده ها برای هرس، که دقت الگوریتم را بهبود می بخشد، کاهش می دهیم. هرچه مجموعه داده ها بزرگ تر باشد، برتری الگوریتم PSDT-IEP بیشتر آشکار می شود

کلیدواژه ها:

درخت تصمیم موازی مشترک ، الگوریتم هرس ، احتمال و عدم اطمینان ، پارازیت داده