کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4943489 | 1437627 | 2017 | 32 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Predictability-based collective class association rule mining
ترجمه فارسی عنوان
معادله متعلق به گروه جمعی مبتنی بر پیش بینی پذیری است
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
طبقه بندی وابسته، کلاس انجمن قوانین، رتبه بندی قانون، هرس قانون داده کاوی،
ترجمه چکیده
طبقه بندی وابسته به قانون مبتنی بر قوانین کاندید به عنوان معیار طبقه بندی است که نتایج بسیار دقیق و به راحتی قابل تفسیر را به تصمیم گیرندگان ارائه می کند. مرحله مهم طبقه بندی انجمنی، ارزیابی قانون است که شامل رتبه بندی قانون و هرس شدن است که در آن قوانین بد برای بهبود عملکرد حذف می شوند. الگوریتم های استخراج معادلات موجود در ارتباطات مبتنی بر روش های ارزیابی قاعده مبتنی بر فرکانس مانند پشتیبانی و اطمینان، عدم ارائه روش های صحیح آماری یا محاسباتی برای ارزیابی قانون، و اغلب از بسیاری از قوانین انحصاری رنج می برند. در این تحقیق پیشنهاد می کنیم بر اساس اعتبارسنجی متقابل با یک گام ارزیابی قانون جدید، قاعده قانون قاعده سازگاری طبقه جمعی مبتنی بر پیش بینی پذیری ارائه شود. دقت پیش بینی هر قاعده کاندید را در مراحل اعتبارسنجی درونی اندازه گیری می کنیم. ما مجموعه داده های آموزشی را به مجموعه های آموزشی درونی و مجموعه های آزمون درونی تقسیم می کنیم و سپس پیش بینی عملکرد قوانین نامزدهای را ارزیابی می کنیم. از چندین آزمایش نشان می دهیم که الگوریتم پیشنهادی از چندین الگوریتم موجود جلوگیری می کند و تعداد زیادی از قوانین مفید در طبقه بندی را حفظ می کند. علاوه بر این، با استفاده از الگوریتم پیشنهادی به مجموعه داده های مراقبت های بهداشتی در حوزه زندگی، ما نشان می دهیم که این عملی است و دارای توانایی شناخت الگوهای مهم در مجموعه داده است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Associative classification is rule-based involving candidate rules as criteria of classification that provide both highly accurate and easily interpretable results to decision makers. The important phase of associative classification is rule evaluation consisting of rule ranking and pruning in which bad rules are removed to improve performance. Existing association rule mining algorithms relied on frequency-based rule evaluation methods such as support and confidence, failing to provide sound statistical or computational measures for rule evaluation, and often suffer from many redundant rules. In this research we propose predictability-based collective class association rule mining based on cross-validation with a new rule evaluation step. We measure the prediction accuracy of each candidate rule in inner cross-validation steps. We split a training dataset into inner training sets and inner test sets and then evaluate candidate rules' predictive performance. From several experiments, we show that the proposed algorithm outperforms some existing algorithms while maintaining a large number of useful rules in the classifier. Furthermore, by applying the proposed algorithm to a real-life healthcare dataset, we demonstrate that it is practical and has potential to reveal important patterns in the dataset.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 79, 15 August 2017, Pages 1-7
Journal: Expert Systems with Applications - Volume 79, 15 August 2017, Pages 1-7
نویسندگان
Kiburm Song, Kichun Lee,