روشی جدید برای یافتن خودکار حد آستانه و کشف قوانین انجمنی مثبت و منفی

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,103

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICS11_195

تاریخ نمایه سازی: 14 مهر 1392

چکیده مقاله:

یکی از تکنیک هایی که امروزه در داده کاوی کاربرد مفید دارد، کشف قوانین انجمنی است. الگوریتم های مطرح شده کشف قوانین انجمنی دارای دو چالش مهم هستند: یک) این الگوریتم ها، فقط قوانین مثبت را استخراج می کنند و توانایی کشف قوانین منفی را ندارند؛ این در حالی است که کشف قوانین منفی در پایگاه های داده، برای مدیران بسیار مهم و کار ساز است. دو) کشف قوانین انجمنی مثبت یا منفی با استفاده معیارهای Support و Confidence با حد آستانه مشخص صورت می گیرد، پیدا کردن حد آستانه برای این دو معیار بسیار حائز اهمیت است اما به راحتی امکان پذیر نیست و همیشه به صورت دستی، توسط کاربر با آزمایش و خطا مشخص می شود. با توجه به چالش های بیان شده می توان گفت، ارائه یک الگوریتم تمام خودکار که بتواند، با توجه به نوع کاوش، مثبت یا منفی، مقدار حد آستانه را به صورت خودکار پیدا نماید و به کشف قوانین مثبت یا منفی در پایگاه های داده بپردازد، یکی از نیازهای مبرم در داده کاوی می باشد. در این مقاله ما روش تمام خودکار، چهار مرحله ای جدیدی بر پایه الگوریتم ازدحام پرندگان باینری معرفی می کنیم. در این الگوریتم ابتدا کاربر نوع کاوش، مثبت یا منفی، را مشخص می کند، سپس الگوریتم به طور خودکار مقدار حد آستانه را مشخص کرده و در ادامه با توجه به حد آستانه پیدا شده توسط الگوریتم و نوع مشخص شده توسط کاربر، به کشف قوانین انجمنی می پردازد. با توجه به نتایج می توان گفت این الگوریتم باعث بهبود تکنیک کشف قوانین انجمنی و افزایش کارایی آن در پایگاه های داده می شود و مدیران را قادر می سازد که با توجه به قوانین کشف شده، مثبت یا منفی، تصمیم های مهمی اتخاذ نمایند

کلیدواژه ها:

داده کاوی ، کشف قوانین انجمنی ، بهینه سازی ازدحام پرندگان ، کشف قوانین مثبت و منفی ، حد آستانه

نویسندگان

عبدالجبار اسدی

مدیر گروه رشته کامپیوتر و فناوری اطلاعات، دانشگاه جامع علمی کاربردی فرهنگ و هنر (سروش) واحد کردستان، سنندج

صادق سلیمانی

موسسه آموزش عالی غیرانتفاعی شهاب دانش، قم

امیر شیخ احمدی

عضو هیت علمی دانشگاه آزاد اسلامی واحد سنندج، سنندج

صلاح کریمی حاجی پمق

دانشگاه علوم پزشکی کردستان، سنندج

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • R.J. Kuoa, C.M. Chaob and Y.I Chiuc .Application of particle ...
  • Olafsson Sigurdur, Li Xiaonan, and Wu Shuning Operations research and ...
  • Rupesh Dewang, Jitendra Agarwal. A New Method for Generating All ...
  • Manisha Gup ta.Application of Veighted Particle Swarm Optimization in Association ...
  • Veenu Mangat:Swarm Intelligence Based Technique for Rule Mining in the ...
  • j.kennedy and r.c.eberhart. particle Swarm optimization : IEEE Int.Conf: Neural ...
  • R. C. Eberhart and , Kennedy. A new ptimizer using ...
  • Maragatham G, Lakshmi M. A RECENT REVIEW ON ASSOCIA TION ...
  • Riccardo poli , James Kennedy, Tim Blackwell .Praticle Swarm optimization ...
  • Abdoljabbar asadi, Mehdi Afzali. Providing a new method for detecting ...
  • Abdoljabbar Asadi, Mehdi Afzali , Azad Shojaei _ Sadegh Sulaimani. ...
  • A. Savasere, E. Omiecinski, and S. Navathe Mining for strong ...
  • th Iranian Conference _ Intelligent Systenns February 27thn & 28th, ...
  • Park, J. S., Chen, M., & Yu, P. An effective ...
  • Hanu Toivonen. Sampling large databases for Association Rules(1996)pp: 1-12.VLDB conference. ...
  • D.I. Lin, Z.M. Kedem, Pincer searct a new algorithm for ...
  • D.L. Yang, C.T. Pan, Y.C. Chung, An efficient hash-based method ...
  • S.S. Gun, Application of genetic algorithm and weighted itemset for ...
  • M. Saggar, A.K. Agrawal, A. Lad, Optimization of association rue ...
  • Mourad Ykhlef.A Quantum Swarm Evolutionary Algorithm for mining association rules ...
  • Ashraf El-sisi , Fast Cryptographic Privacy Preserving Assocaition rules mining ...
  • Xiaohui Yuan, Buckles B. P , Zhaoshan Yuan, Jian Zhang ...
  • W. Teng, M. Hsieh, and M. Chen.On the mining of ...
  • substitution rules for statistically dependent items: ICDM(2002) pp:442-449. ...
  • Crina Grosan, Ajith Abraham, Monica Chis. Swarm Intelligence in Data ...
  • Riccardo poli , James Kennedy , Tim Blackwell .Praticle Swarm ...
  • Kennedy. The behavior of ...
  • particles:v. _ Saravanan, N., Waagen.D., andEiben, A .E(eds.), In:E volutionary ...
  • Kennedy, J. The behavior of ...
  • particles:porto, v. _ Saravanan, N., Waagen.D., andEiben, A .E(eds .), ...
  • Y. Shi , R. Eberhart. Parameter selection in particle Swarm ...
  • R. Eberhart , Y. Shi.Comparing inertia weights and co ns ...
  • R. Agrawal, T. Imielin ski, A. Swami. Mining association rules ...
  • _ ive.ics.uci .edu/pl ...
  • نمایش کامل مراجع