بهینه سازی درخت تصمیم با استفاده از الگوریتم های نیوبیز و نزدیک ترین همسایه
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 966
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- 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:
AISST02_033
تاریخ نمایه سازی: 6 اردیبهشت 1396
چکیده مقاله:
امروزه اخذ دانش از داده های موجود در پایگاه های داده به مهمترین فعالیت محققین این حوزه مبدل گشته است. دانش بدست آمده از این طریق توانسته است آثار شگرفی در بهبود زندگی بشر داشته باشد. در این راستا الگوریتم هایی جهت اخذ دانش از داده های خام پایگاه داده ها ارایه گردیده است. از این میان الگوریتم درخت تصمیم به خاطر سهولت در بکارگیری و قابلیت درکی که در خود نهفته دارد، از اقبال خوبی برخوردار شده است. اما محدودیت هایی نیز در درخت تصمیم وجود دارد که استفاده از آن را تا حدی با مشکل مواجه نموده است. با توجه به این محدودیت ها، تحقیقات و مطالعه های زیادی برای بهبود درخت تصمیم کلاسیک صورت گرفته است و روشهای خوب و کارآمدی نیز در این زمینه ارایه گشته است. از جمله ی این روش ها می توان به الگوریتم نیوبیز، الگوریتم نزدیکترین همسایه و الگوریتم ژنتیک و فازی سازی این الگوریتم ها و ... اشاره نمود. همانطور که می دانیم کیفیت خروجی درخت تصمیم به شدت وابسته به داده های ورودی است. با توجه به این نکته، در این مقاله برای پیش پردازش داده ها از دو الگوریتم نیوبیز و جستجوی نزدیکترین همسایگی استفاده شده است، تا داده هایی با کیفیت بهتر و نویز کمتر در اختیار درخت تصمیم قرار گیرد، و در نتیجه نتایج با کیفیت تری در خروجی درخت تصمیم حاصل گردد.
کلیدواژه ها:
نویسندگان
مجید جلالی فر
گروه مهندسی کامپیوتر، واحد مشهد ، دانشگاه آزاد اسلامی، مشهد، ایران
مسعود نادی
گروه مهندسی کامپیوتر، واحد مشهد ، دانشگاه آزاد اسلامی، مشهد، ایران
حسین سلامی
گروه مهندسی کامپیوتر، موسسه آموزش عالی فردوس، مشهد، ایران
حمید طباطبایی
گروه مهندسی کامپیوتر، موسسه آموزش عالی فردوس، مشهد، 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 :