روشی موثر در انتخاب صفات خاصه پراهمیت تر جهت پیش پردازش داده ها در الگوریتمهای دسته بندی داده ها
محل انتشار: چهارمین کنفرانس داده کاوی ایران
سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,557
فایل این مقاله در 5 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:
IDMC04_003
تاریخ نمایه سازی: 15 دی 1389
چکیده مقاله:
امروزه در دنیای واقعی با حجم بالایی از مجموعه داده ها روبرو هستیم که می تواند شامل شاید میلیاردها نمونه و هزاران صفت خاصه باشند از این رو پارامتر مقیاس پذیری الگوریتمهای ارایه شده در داده کاوی یکی از پارامترهای کلیدی آن به شمار می رود انتخاب زیرمجموعه ای از کلیه صفات خاصه متعلق به مجموعه داده های اولیه که به تکنیکهای کاهش داده ها نیز مشهود است می توند در بهبود این پارامتر نقش به سزایی داشته باشد. دراین مقاله با تاکید برا لگوریتمهای طبقه بندی داده ها معیارهایی جهت تفکیک پذیری بین کلاس معرفی و صفات خاصه پر اهمیت تر در مجموعه داده ها انتخاب می شوند بررسی و اجرای چندین الگوریتم طبقه بندی داده ها برروی داده های کاهش یافته و مقایسه این نتایج تجربی بدست آمده با اجرای الگوریتم های مزبور برروی کل داده ها دقت مناسب و قابل قبولی را نشان میدهد
کلیدواژه ها:
نویسندگان
مهدی اسماعیلی
عضو هیئت علمی دانشگاه آزاد اسلامی واحد کاشان
منصور طرفدار
دانشجوی کارشناسی ارشد نرم افزار دانشگاه آزاد اسلامی قزوین