CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

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

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۶ | تعداد نمایش خلاصه: ۱۳۴۱ | نظرات: ۰
سال انتشار: ۱۳۸۷
کد COI مقاله: CEIC02_070
زبان مقاله: فارسی
حجم فایل: ۱۲۹ کیلوبایت (فایل این مقاله در ۶ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۶ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۶ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

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

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

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.

کلیدواژه‌ها:

داده کاوی ، کلاس بندی ، گسسته سازی ، یادگیری ماشین ، آنتولوژی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-CEIC02-CEIC02_070.html
کد COI مقاله: CEIC02_070

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
محمدی زاده خوشرو, بابک و حامد حسن زاده، ۱۳۸۷، گسسته سازی مبتنی بر آنتولوژی خصیصه های پیوسته، در راستای بهبود کارایی الگوریتم های کلاس بندی، دومین همایش ملی مهندسی برق، کامپیوتر و فناوری اطلاعات، همدان، مرکز آموزش و فرهنگی سما همدان، https://www.civilica.com/Paper-CEIC02-CEIC02_070.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (محمدی زاده خوشرو, بابک و حامد حسن زاده، ۱۳۸۷)
برای بار دوم به بعد: (محمدی زاده خوشرو و حسن زاده، ۱۳۸۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 ...
  • مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.