استخراج دانش با روش های بهینه داده کاوی

پیدایش جدید برخی از تکنیک های داده کاوی نیز قوانین استنتاج جالب زیادی فراهم می کند. بنابراین، در حال حاضر عاقلانه است که این قوانین استنتاج به منظور استخراج الگوهای قوی و جدیدی به نام فراقانون پردازش شوند. کار پیش رو این مفهوم را با پشتیبانی جدیدی از خوشه بندی و دسته بندی قوانین استنتاج بررسی می کند. این راهکار از الگوریتم های k-means و k-nn برای استخراج قوانین استنتاج با استفاده از معیارهای شباهت جدید طراحی شده و محاسبه مرکز ثقل بهره می گیرد. هم چنین روش بهینه‎ای برای پیدا کردن مجموعه‎ های شبیه به هم وسیع به کار میگیریم.بر اساس پیش بینی داده های مورد نیاز در الگوریتم (n,p) این روش وابستگی داده ‎ها را در تراکنش های جاری به منظور پیش‎بینی امید بخش بودن داده ها انجام می‎دهد. برای پیش ماژول توسعه یافته در هسته عامل شناختی پیاده سازی شده است تا استدلال آن را سرعت ببخشد. این معماری جدید که عامل هوشمند کاوشگر (MIA) نامیده می شود، در چهار معیار عمومی، مشتمل بر 25000 قانون، تست و ارزیابی و در نهایت با نوع کلاسیک آن مقایسه شد. همانطور که انتظار می رفت، MIA به مراتب عملکرد بهتری نسبت به عامل شناختی کلاسیک دارد.

Keywords:

استخراج دانش , قوانین استنتاج , دسته بندی , خوشه بندی , عامل شناختی , مجموعه موردهای پیش بینی شده , وابستگی داده‎ ای