استفاده از درخت های تصمیم جهت کاوش مفاهیم شناور درجریان داده ها

Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,427

This Paper With 6 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

LNCSE02_013

تاریخ نمایه سازی: 6 اسفند 1391

Abstract:

تغییر مفهوم جریان داده برحسب زمان درجریانهای داده را مفهوم شناور میگوییم کاوش درجریانهای داده ای متغیر با زمان اخیرا بسیار مورد توجه بوده است و چندین روش طبقه بندی با قابلیت کشف مفهوم شناور ارایه شده است که از معروفترین آنها می توان به دو روش aCVFDT CVFDT اشاره کرد با توجه به کاربردهای بسیارخوب گذشته هوز برخی چالشهای حل نشده باقیمانده است که میتوان به تاخیر زیاددرکشف مفهوم شناور درروش CVFDT و پیچیدگی محاسباتی بسیاربالا درروش aCVFDTاشاره کرد دراین مقاله روشی مبتنی برفرضیه تهی به نام ∅ CVFDT برای حل این چالشها ارایه شده است مزیت اصلی ∅ CVFDT این است که درتمام طبقه بندی هایی که با تغییر مفهوم مواجه شده اند و قابلیت کشف آن را ندارند قابل بکارگیری است

Authors

علیرضا محمدی

دانشگاه آزاد اسلامی زنجان

علی امیری

دانشگاه زنجان

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • S.Hashemi، Y.Yang _ Z.Mirzamomen _ M.Kangavari: Adapted One- Versus-Al] Decision ...
  • C.J.Tsai _ C .Lee، W.P.Yang (2009)، Mining decision rules on ...
  • J.Liu _ X.Lihong : Ambiguous decision tres for mining concept- ...
  • M.J.Aitkenhead Expert Systems with Application 34(2008) _ A Co- evolving ...
  • [] S. Boyd، A. Ghosh، B. Prabhaka. and D. Shar ...
  • M. Jelasity، A. Montresoc and O. Babaoglu، "Gossip-Based Aggregation in ...
  • Fan، W. (2004). Systematic data selection _ mine concept- drifting ...
  • G. Brown، Diversity in Neural Network Ensembles، Ph.D. Thesis، School ...
  • G.Hulten، L. Spencer، P.Domingos2 _ _ 3 : Mini ngTime- ...
  • Kolter، J. Z. & Maloof، M. A. (2003). Dynamic weighted ...
  • _ C.J. Whitake. L.I. Kuncheva، Examining the relationship between majority ...
  • P. Melville، R.J. Mooney، Constructing diverse classifier _ _ examples، ...
  • M. Skurichina، R.P.W. Duin Bagging، boosting and the _ for ...
  • Roli (Eds.)، Multiple Classifier Systems، Proceedings of the Second International ...
  • G. Zenobi، P. Cunningham، Using diversity in preparing ensembles of ...
  • H. Altncay، M. Demirekler، An information theoretic framework for weight ...
  • Domingos، P.، Hulten، G.، 2000. Mining high-speed data streams. In: ...
  • D. Opitz، R. Maclin، Popular ensemble methods: _ empirical study، ...
  • Klinkenberg، R.، & Renz، I. (1998). Adaptive information filtering: Learning ...
  • Rastogi، R.، & Shim، K. (1998). PUBLIC: a decision tre ...
  • Klinkenberg، R.، & Renz، (1998). Adaptive information filtering :Learning in ...
  • _ _ _ IEEE Tran. ...
  • Y. Afek، S. Kutten، and M. Yung، "Local Detection for ...
  • M. .Mehta، A.Agrawal _ and J.Rissanen SLIQ: A fast scalabe ...
  • Widmer، G.، & Kubat، M. (1996). Learning in the presence ...
  • Widmer، G.Kubat(1996) _ Learning in the presence of concept drift ...
  • J.C.Shafer، R.Agrawal، and M.Mehta. SPRNT:A scalable paralle classifier for data ...
  • A. Krogh، J. Vedelsby، Neural network ensembles، crOSS validation، and ...
  • N. Linial، "Locality in Distributed Graph Algorithms، SIAM J.Computing، vol. ...
  • نمایش کامل مراجع