کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6856184 1437948 2018 20 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An incremental attribute reduction method for dynamic data mining
ترجمه فارسی عنوان
یک روش کاهش میزان ویژگی برای داده کاوی پویا
کلمات کلیدی
کاهش مشخصه، جزئیات دانه یادگیری افزایشی، سیستم تصمیم گیری،
ترجمه چکیده
به عنوان یک مرحله پیش پردازش مهم برای داده کاوی، کاهش ویژگی به موضوع تحقیق داغ در نظریه مجموعه خشن تبدیل شده است. در عمل، بسیاری از داده های واقعی ممکن است به صورت پویا با زمان متغیر باشند، بنابراین، کاهش در شرایط تناوبی از اشیاء و ویژگی ها در سیستم های تصمیم گیری به صورت پویا تغییر خواهد کرد. روش های کاهش ویژگی کلاسی باید از ابتدا مجددا تجدید کنند، که برای مقابله با سیستم های تصمیم گیری پویا ناکارآمد هستند. چگونگی پیاده سازی به روزرسانی با استفاده از نتایج قبلی کاهش می یابد برای بهبود کارایی روش های کاهش ویژگی ها حیاتی است. در مقاله اول ابتدا مکانیسم های افزایشی محاسبات را کاهش می دهیم وقتی که اشیاء و ویژگی های سیستم تصمیم گیری به صورت پویا تغییر می کنند. سپس، روش های افزایشی برای به روز رسانی کاهش می یابد زمانی که ویژگی ها و اشیا افزایش می یابد به طور همزمان. در نهایت، یک سری از آزمایشات برای اعتبار سنجی روش های پیشنهادی افزایشی پیشنهاد شده انجام می شود. نتایج تجربی نشان می دهد که آنها با تغییر ویژگی ها و اشیا در سیستم های تصمیم گیری موثر هستند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
As an important preprocessing step for data mining, attribute reduction has become a hot research topic in rough set theory. In practice, many real data may vary dynamically with time, therefore, reduct will change dynamically under the variation of objects and attributes in decision systems. The classical attribute reduction methods need to recompute from scratch, which are ineffective to deal with dynamic decision systems. How to implement updating reducts by utilizing previous results is vital for improving the efficiency of attribute reduction approaches. In the paper, we firstly introduce incremental mechanisms of computing reduct when objects and attributes of the decision system change dynamically. Then, incremental methods are developed to update reduct when attributes and objects increase simultaneously. Finally, a series of experiments are conducted to validate the proposed incremental attribute reduction methods. Experimental results show that they are effective to update reduct with change of attributes and objects in the decision systems.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 465, October 2018, Pages 202-218
نویسندگان
, , , , ,