طراحی و اجرای مدل های شبیه سازی داده کاوی و روش شناختی

داده کاوی و روش شناختی دو زمینه تحقیقاتی مهم در علوم کامپیوتر هستند که به کشف دانش از داده ها و استفاده از آن برای حل مشکلات می پردازند. شبیه سازی یک ابزار قدرتمند برای مطالعه و ارزیابی این زمینه ها است. در این مقاله ما رویکردی برای طراحی و اجرای مدلهای شبیه سازی داده کاوی و روش شناختی ارائه می دهیم این رویکرد شامل مراحل زیر است. مدل سازی داده ها در این مرحله داده های مورد استفاده در شبیه سازی مدل سازی می شوند. این شامل تعیین توزیع داده ها، ویژگی های داده ها و روابط بین داده ها است. مدل سازی الگوریتم ها در این مرحله الگوریتم های داده کاوی و روش شناختی مورد استفاده در شبیه سازی مدل سازی می شوند. این شامل تعیین پیاده سازی الگوریتم ها پارامترهای الگوریتم ها و ورودی های الگوریتم ها است. اجرای شبیه سازی در این مرحله شبیه سازی اجرا می شود. این شامل تولید داده های شبیه سازی شده اجرای الگوریتم ها بر روی داده های شبیه سازی شده و جمع آوری نتایج شبیه سازی است. ما این رویکرد را برای شبیه سازی یک الگوریتم داده کاوی معروف، الگوریتم درخت تصمیم ، استفاده می کنیم . ما نتایج شبیه سازی را با نتایج تجربی مقایسه می کنیم و نشان می دهیم که نتایج شبیه سازی با نتایج تجربی مطابقت دارند.