Predictability-based collective class association rule mining

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.