رتبه بندی قوانین به دست آمده از داده کاوی با ابزارهای هوش مصنوعی

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 863

فایل این مقاله در 6 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:

JCCEM01_042

تاریخ نمایه سازی: 25 اسفند 1392

چکیده مقاله:

با گسترش سریع پایگاه های داده، داده کاوی یکی از مهمترین و به روزترین مباحث به وجود آمده در تحلیل و آنالیز پایگاه های داده می باشد. افزایش بی رویه حجم داده ها، افزایش آگاهی از ناتوانی مغز انسان در تحلیل و پردازش این داده ها و گسترش استفاده از روش های یادگیری ماشین می توانند از دلایل گسترش استفاده از داده کاوی باشند. امروزه استفاده از تکنیک های داده کاوی و استخراج الگوها و کشف رابطه های پنهانی از دیتابیس های حجیم به طور قابل توجهی مورد استفاده قرار گرفته است. یکی از مسائل مهم در استفاده از این تکنیک ها، استخراج قوانین موجود در بین مجموعه داده هاست. پس از اجرای الگوریتم های کشف قوانین، تعداد بسیار زیادی قانون به دست می آید که در بین همه ی این قوانین به دست آمده، فقط تعداد کمی از آنها به دلیل کمی بودجه و امکانات مورد استفاده قرار می گیرند، حتی بسیاری از این قوانین ارزش و جذابیت چندانی ندارند. بنابراین پیاده سازی روش هایی جهت رتبه بندی این قوانین و استفاده از قوانین برتر در پیاده سازی ها امری الزامی می نماید. در این مقاله روشی جدید برای رتبه بندی قوانین معرفی می کنیم

کلیدواژه ها:

قوانین دسته بندی – رتبه بندی قوانین - خطای کلاس بندی – معیارهای جذابیت

نویسندگان

بهزاد ربیعی قهفرخی

دانشجوی کارشناسی ارشد، دانشکده برق و کامپیوتر، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان

علی اکبر نیک نفس

دانشیار گروه مهندسی کامپیوتر، دانشکده کامپیوتر، دانشگاه شهید باهنر کرمان

بهزاد زمانی دهکردی

دانشگاه آزاد اسلامی واحد شهرکرد

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 :
  • تبیین مهمترین عوامل موثر بر رتبه افشای اطلاعات شرکت های ...
  • R. Agrawal, T. Imielihski, and A. Swami, "Mining association rules ...
  • K. J. Cios, W. Pedrycz, R. W. Swiniarski, and L. ...
  • WORKSHOP THEN _ ONFERENCE _ _ 1999, pp. 124-133. ...
  • L. Geng and H. J. Hamilton, _ Interestingness measure for ...
  • R. Agrawal and R. Srikant, "Fast algorithms for mining association ...
  • R. Agrawal, H. Mannila, R. Srikant, H. Toivonen, and A. ...
  • M. C. Chen, "Ranking discovered rules from data mining with ...
  • voting data, " European Journal of Operational Research, vol. 151, ...
  • M. Toloo, B. Sohrabi, and S. Nalchigar, "A new method ...
  • R. S. Michalski, "A theory and methodology of inductive learming, ...
  • incremental rule learning, " in Machine Learning: ECML-93 , 1993 ...
  • Current Trend in Knowledge Acquisition, pp. 90-104, 1990. ...
  • induction from databases, " Knowledge and Data Engineering, IEEE Transactions ...
  • نمایش کامل مراجع