ورود
مقالات فارسیISIکنفرانسهاژورنالها

اصلاح درخت تصمیم4.5C برای مجموعه داده نامتعادل

محل انتشار: سومین همایش ملی مهندسی رایانه و مدیریت فناوری اطلاعات
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 656

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/513571

شناسه ملی سند علمی:

CSITM03_019

تاریخ نمایه سازی: 26 شهریور 1395

چکیده مقاله:

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.

کلیدواژه ها:

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

نویسندگان

زهرا همتی

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

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله 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