سمیه لطفی - عضو هیئت علمی دانشگاه آزاد اسلامی، بندرعباس، گروه کامپیوتر
محمد قاسم زاده - دانشیار گروه مهندسی کامپیوتر دانشگاه یزد

داده کاوی به عنوان یکی از مراحل فرایند کشف دانش، به منظور استخراج قوانین و الگوهای معنی دار میان داده ها، به تجزیه و تحلیل حجم زیاد داده می پردازد. درخت تصمیم به عنوان یکی از الگوریتم های پرکاربرد داده کاوی، جهت پیشگویی استفاده می شود. این الگوریتم که از نوع الگوریتم های رده بندی است دارای سادگی و قابلیت تفسیر نتایج است، اما در مواجهه با دادههای حجیم، درخت تصمیم بسیار پیچیده خواهد شد و به دلیل نیاز به مصرف حافظه و زمان بالا جهت ساخت درخت، کارایی فرایند داده کاوی کاهش می یابد. از این رو توسعه الگوریتم درخت تصمیم کارا جهت مواجهه با داده های حجیم و غلبه بر مشکلات حافظه و زمان مصرفی ضرورت می یابد. تکنیک های زیادی جهت توسعه الگوریتم های مختلف درخت تصمیم برای غلبه بر مشکلات زمان، حافظه مصرفی و کاهش پیجیدگی درخت ارائه شده است. در این گزارش، به بررسی و مرور کارهای انجام شده در روند توسعه الگوریتم درخت تصمیم در مواجهه با داده های حجیم پرداخته می شود.

داده کاوی، درخت تصمیم، داده حجیم، پردازش افزایشی، مقیاس پذیری