روشی برای پیش بینی انواع بازنشستگی سازمان تامین اجتماعی مبتنی بر الگوریتم درخت تصمیم
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 758
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
COMCONF03_078
تاریخ نمایه سازی: 6 اردیبهشت 1396
چکیده مقاله:
حجم بزرگ داده های تولید شده در هر سازمان به تنهایی به مدیران در تصمیم گیری کمکی نخواهد کرد، بلکه باعث سر در گمی مدیران سازمان ها نیز می شود. بنابراین مدیریت داده های خام و تبدیل آن به دانش با استفاده از تکنیک های گوناگون، نقش اساسی و محوری دارد. در سازمان تامین اجتماعی با حجم بالای مخاطبین و ذخیره سازی گسترده داده، استفاده از داده کاوی در تولید دانش نهفته از این داده ها به صورت قابل توجهی مطرح می شود. درخت تصمیم یکی از ابزار قوی و کارآمد داده کاوی می باشد که به منظور دسته بندی و پیش بینی مورد استفاده قرار می گیرد. در این تحقیق با اعمال مدل های داده کاوی موجود بر روی داده های بازنشستگان سازمان تامین اجتماعی، درخت تصمیم عملکرد بهتری نسبت به سایر مدل ها نشان داد از این رو برای پیش بینی انتخاب شد. تمام قوانین ممکن را می توان از مجموعه ویژگی ها ایجاد کرد که در صورت وجود تعداد زیادی از ویژگی ها، پیچیدگی محاسباتی درخت بالا خواهد رفت. این موضوع باعث می شود که از الگوریتم فرا ابتکاری ژنتیک، برای پیدا کردن بهترین قوانین استفاده شود و با انتخاب قوانین مناسب بتوان کلاس داده ها را با دقت بالاتری پیش بینی کرد. در این مقاله پس از استخراج داده های خام از پایگاه داده سازمان تامین اجتماعی و آماده سازی و پیش پردازش آن ها، از الگوریتم درخت تصمیم با هدف پیش بینی انواع بازنشستگی استفاده می شود. در ادامه جهت افزایش دقت در پیش بینی، قوانین مستخرج از درخت با بکارگیری الگوریتم ژنتیک بهبود و قوانینی که در تصمیم گیری دارای ارزش بالاتری بودند انتخاب شد. پیش بینی داده ها با الگوریتم های C4.5، CART،QUEST، Bayes Network ، Neural Network ، SVM انجام شد و نتایج با روش پیشنهادی مبتنی بر بهبود درخت تصمیم مقایسه شده است که روش پیشنهادی نسبت به سایر الگوریتم ها از عملکرد بهتری برخوردار است.
کلیدواژه ها:
نویسندگان
محمدرضا احمدی ورزنه
دانشجوی کارشناسی ارشد مهندسی کامپیوتر ، دانشگاه آزاد اسلامی اصفهان،ایران
علیرضا نوروزی
استادیار گروه کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه آزاد اسلامی واحد شهرمجلسی ، ایران
کیوان محبی
استادیار گروه کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه آزاد اسلامی واحد مبارکه ، ایران
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 :