سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

اصلاح درخت تصمیم4.5C برای مجموعه داده نامتعادل

Publish Year: 1395
Type: Conference paper
Language: Persian
View: 712

This Paper With 13 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

CSITM03_019

Index date: 16 September 2016

اصلاح درخت تصمیم4.5C برای مجموعه داده نامتعادل abstract

مجموعه دادههای نامتعادل در برنامههای دنیای واقعی زمانی رخ میدهند که توزیع کلاسهای داده بسیار نامتعادل باشد. در اینصورت اعمال الگوریتمهای استاندارد به این مجموعه دادهها دلیل گرایش به کلاس اکثریت باعث بالا رفتن نرخ دستهبندی اشتباه FN میشوند و منجر به کاهش کارایی و دقت دستهبند میگردند. برای حل مساله کلاس نامتعادل رویکردهایی ارائه شدند یادگیری حساس به هزینه نوعی یادگیری در دادهکاوی است که هزینههای بستهبندی اشتباه و انواع هزینههای دیگر مانند هزینه- های تست را در نظر میگیرد. هدف این نوع یادگیری حداقل کردن هزینه کلی دستهبند و افزایش دقت دستهبندی نمونهها به کلاسهای شناخته شده میباشد. با توجه به مساله کلاس نامتعادل و رویکرد حساس به هزینه یک اصلاح بر روی الگوریتم درخت تصمیم C 4.5 که یک الگوریتم پرکاربرد و بهینه در ساخت دستهبند است، صورت گرفته است. هدف ما ایجاد روشی ساده، جدید و موثر برای ساخت و آزمایش درخت تصمیمی است که بتواند هزینههای دستهبندی اشتباه کلاس اقلیت را حداقل کند، در مرحله اول درخت اولیه توسط الگوریتم پایه C 4.5 ساخته میشود و در مرحله دوم اصلاحات مورد نظر اعمال میشود. آزمایشات انجام گرفته بر۳ مجموعه داده نامتعادل با مقایسه روش پیشنهادی با دو الگوریتم C۴.۵ پایه و CS-C 4.5 نشان داد که روش پیشنهادی سودمند است و عملکرد دستهبندی را برای کاهش تعداد دستهبندیهای نادرست و دقت دستهبندی را بدلیل استفاده از ماتریس هزینه در برگ و استفاده از معیار تعادل در گره، نسبت به روشهای مشابه ۳٪ بهبود داد و مدل بهتری را ارائه نمود.

اصلاح درخت تصمیم4.5C برای مجموعه داده نامتعادل Keywords:

دادهکاوی , درخت تصمیم C۴.۵ دستهبندی , مجموعه داده نامتعادل , یادگیری حساس به هزینه

اصلاح درخت تصمیم4.5C برای مجموعه داده نامتعادل authors

زهرا همتی

دانشکده مهندسی برق و کامپیوتر،دانشگاه غیرانتفاعی پویندگان دانش،چالوس

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 :
تنیعی، محمد.محمود پور، سینا .طاهرپور، محد ثه، (1391)؛"داده‌کاوی کاربردی"، نیاز ...
O. Maimon & L. Rokach, (20 10), "Data Mining & ...
Mantas. Carlos J, Abelln. Joaquin, (20 14); "Credal-C4.5: Decision tree ...
P. Kang a, S. Cho, D. L. MacLauchla. (20 12), ...
Nitesh V. Chawla, (2003), _ C4.5 & Imbalanced Data sets: ...
F.J. Berlanga, A .Rivera, M. J. del Jesus, F.Herrera, (20 ...
Li.Xiangju, Zhao.Hong, hu. William, (20 15); "A cost sensitive decision ...
Elkan.C, (20 1), The foundations of cost-sensitive learning", 17th International ...
Ting.K.M, (1 998), "Inducing cost-sensitive trees via instance weighting", in ...
Liu.X.-Y & Zhou.Z. -H, (2006) "The influence of class imbalance ...
Sheng.V. S, Ling.C. X, Ni.A, & Zhang .S, (2006), "Cost-sensitive ...
Li .P, Qiao.P.L, & Liu .Y.C, (2008), "A hybrid re-sampling ...
Raskutti .B & Kowalczyk .A, (2004), "Extreme re-balancing for SVMs: ...
Hart .P. E, (1968), "The condensed nearest neighbor rule", IEEE ...
Norton.S, (1 989), "Generating better decision trees", in: Proceedings of ...
Davis, Ha.J, Rossbach.C, Ramadan, Witche.E, 1, (2006), "Cost-sensitive decision tree ...
Freitas.A, Co sta-Pereira.A, & Brazdil.P, (2007) , "Cost-sensitive decision trees ...
Ying Liu. Xu, Hua Zhou. Zhi, (2006), " The Influence ...
Nguyen, Hoang .G, Bouzerdoum. A. & Phung.S, (209) , "Learning ...
Thai-Nghe _ Ng uyen, Gantner. Zeno , & S chmidt-Thieme ...
V. Chawla.Nitesh, Japkowicz .Nathalie, Ko lcz.Aleksander, (2004), 11 Editorial: Special ...
P. Domingos, (1999), "Metacost: A general method for making classifiers ...
X. Ling. Charles, Yang. Qiang, Wang. Jianning & Zhang. Shichao ...
J. Quinlan, (1986), "Induction of decision trees, Machine Learn", 1 ...
P. Christensen, M. Judge, L.Thim, U. Ribel, K. Christiansen, B. ...
نمایش کامل مراجع

مقاله فارسی "اصلاح درخت تصمیم4.5C برای مجموعه داده نامتعادل" توسط زهرا همتی، دانشکده مهندسی برق و کامپیوتر،دانشگاه غیرانتفاعی پویندگان دانش،چالوس نوشته شده و در سال 1395 پس از تایید کمیته علمی سومین همایش ملی مهندسی رایانه و مدیریت فناوری اطلاعات پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله دادهکاوی،درخت تصمیم C۴.۵ دستهبندی،مجموعه داده نامتعادل،یادگیری حساس به هزینه هستند. این مقاله در تاریخ 26 شهریور 1395 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 712 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که مجموعه دادههای نامتعادل در برنامههای دنیای واقعی زمانی رخ میدهند که توزیع کلاسهای داده بسیار نامتعادل باشد. در اینصورت اعمال الگوریتمهای استاندارد به این مجموعه دادهها دلیل گرایش به کلاس اکثریت باعث بالا رفتن نرخ دستهبندی اشتباه FN میشوند و منجر به کاهش کارایی و دقت دستهبند میگردند. برای حل مساله کلاس نامتعادل رویکردهایی ارائه شدند یادگیری حساس به هزینه ... . این مقاله در دسته بندی موضوعی درخت تصمیم طبقه بندی شده است. برای دانلود فایل کامل مقاله اصلاح درخت تصمیم4.5C برای مجموعه داده نامتعادل با 13 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.