گسسته سازی مبتنی بر آنتولوژی خصیصه های پیوسته، در راستای بهبود کارایی الگوریتم های کلاس بندی

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,999

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:

CEIC02_070

تاریخ نمایه سازی: 4 آذر 1387

چکیده مقاله:

هدف داده کاوی استخراج معانی سودمند از داده هاست. از بین تکنیک های مختلف داده کاوی ، یکی از تکنیک ها، کلاس بندی کردن نمونه هایی ست که با خصیصه هایی تعریف می گردند.تکنیک های کلاس بندی بر روی مجموعه داده ای متمرکز هستند که شامل نمونه ها و خصیصه های تعریف کننده و کلاس مربوط به آن ها می باشد. خصیصه ها می توانند انواع داده ای مختلفی همچون نوع عددی و نوع اسمی داشته باشند.یکی از مشکلاتی که در این راستا وجود دارد، کاهش یافتن کارایی الگوریتم های کلاس بندی ، همچون درخت تصمیم، در برخورد با انواع داده ای پیوسته است. در این مورد معمولاً روش هایی برای گسسته ساختن انواع داده ای پیوسته در پیش گرفته می شود. در رابطه با چنین روالی که گسسته سازی نام دارد، تحقیقات متعددی در راستای بهبود الگوریتم های داده کاوی و یادگیری ماشین انجام گرفته است. در برخی موارد به همراه مجموعه داده ها، یک آنتولوژی نیز در رابطه با برچسب کلاس ها وجود دارد . روش های گسسته سازی موجود ، برای چنین حالتی منظور نشده، و در صورت وجود نیز از آنتولوژی بهره ای نمی برند. ایده ی این مقاله بهره بردن از آنتولوژی به منظور گسسته سازی نوع داده ای پیوسته است . بدین منظور روشی پیشنهاد می شود که با بهره بردن از دانش موجود در آنتولوژی مربوط به کلاس ها، نتیجه ی گسسته سازی را بهبود می بخشد. روش مذکور چارچوبی ست که می تواند از یک سو هر یک از روش های گسسته سازی موجود را به شکلی تعاملی برای بهره بردن از آنتولوژی به کار برد و از سوی دیگر برحسب نیاز در قالب یک روند خاص گسسته سازی تحقق یابد.

نویسندگان

بابک محمدی زاده خوشرو

دانشجوی کارشناسی ارشد ، دانشکده برق ، رایانه و فناوری اطلاعات ، دانشگاه

حامد حسن زاده

دانشجوی کارشناسی ارشد ، دانشکده برق ، رایانه و فناوری اطلاعات ، دانشگاه

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 :
  • Blockeel H., Bruynooghe M., Dzeroski S., Ramon J., and J ...
  • Dougherty J., Kohavi R., and Sahami M.; "Supervised and unsupervised ...
  • Gama J., Torgo L., and Soares C.; "Dynamic Discretization of ...
  • Ho K.M. and Scott P.D.; "Zeta: A global method for ...
  • Holte R.C.; "Very simple classification rules perform well on hnost ...
  • _ - Hamedan - Iran - February 2009 ...
  • Hussain F., Liu H., Tan C.L., and Dash M.; _ ...
  • Peng Y.H. and Flach P.A.; "Soft Discretization to Enhance the ...
  • Perner P. and Trautzsch S.; _ _ Multi- interval Discretization ...
  • Quinlan J.R.; "Improved Use of Continuous Attributes in C4.5". Journal ...
  • Ratanamahatana C.a.; "CloNI: Clustering of /N- Interval discretization ". in ...
  • Skubacz M. and Hollmen J.; "Quantization of Continuous Input Variaubles ...
  • Yang Y. and Webb G.I.; "A Comparative Study of Discretizatin ...
  • Zucker J.-D. and Saitta L.; "Learning Classifiers Using Hiera rchically ...
  • _ - Hamedan - Iran - February 2009 ...
  • نمایش کامل مراجع