مشخصات مقاله:
عنوان فارسی مقاله:
یک الگوریتم تکاملی هیبریدی برای انتخاب ویژگی در داده کاوی
عنوان انگلیسی مقاله:
A hybrid evolutionary algorithm for attribute selection in data mining
کلمات کلیدی مقاله:
الگوریتم های تکاملی، ماشین های بردار پشتیبانی، داده کاوی، انتخاب ویژگی، طبقه بندی الگو
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
هوش مصنوعی و مهندسی الگوریتم ها و محاسبات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. انتخاب ویژگی در داده کاوی
2.1. انتخاب ویژگی
2.2. لفاف در مقابل رویکرد فیلتر
3.GA-SVM هیبرید
3.1. الگوریتم ژنتیک(GA)
3.2. جمعیت و ساختار کروموزوم
3.3 عملگرهای ژنتیکی
3.4 ماشین های بردار پشتیبانی (SVM)
3.5. گردش کار هیبرید GA-SVM
4. مطالعه موردی
4.1. راه اندازی تجربی
4.2. مجموعه داده های انتخاب شده
4.3 نتایج و تجزیه و تحلیل شبیه سازی
4.3.1 برابری با SVM خالص
4.3.2. برابری با سایر آثار
فیشرهای مجموعه داده های Iris
مجموعه داده های دیابت
مجموعه داده های سرطان پستان
مجموعه داده های بیماری های قلبی
مجموعه داده های هپاتیت
4.3.3. بحث و خلاصه بندی
5. بهسازی هیبرید Ga-Svm
1.5 بهسازی مبتنی بر همبستگی
(الف) روش
(ب) نتایج و بحث
بهسازی مبتنی بر پارامتر
6. نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
In today’s context, data mining has developed into an important application due to the abundance of data and the imperative to extract useful information from raw data. Many useful data patterns can be selected out, which helps predict outcomes of unprecedented scenarios. The knowledge gained from data mining can also be subsequently used for different applications ranging from business management to medical diagnosis. Decision makers can hence make a more accurate assessment of situations based on this attained knowledge. Support vector machines (SVMs) have recently gained recognition as a powerful data mining technique to tackle the problem of knowledge extraction (Burges Christopher, 1998). SVMs use kernel functions to transform input features from lower to higher dimensions. Many practical applications exploit the effi- ciency and accuracy of SVMs, such as intrusion detection (Mukkamala, Janoski, & Sung, 2002) and bioinformatics where the input features are of very high dimensions.
1. مقدمه
در مفاهیم امروزی، داده کاوی یک برنامه کاربردی مهمی است که با توجه به فراوانی داده ها و ضرورت استخراج اطلاعات مفید از داده های خام را توسعه می دهد. بسیاری از الگوهای اطلاعات مفید را می توان انتخاب کرد، که به پیش بینی نتایج حاصل از سناریوهای جدید کمک کند. دانش به دست آمده از داده کاوی همچنین می تواند پس از آن برای کاربردهای مختلف اعم از مدیریت کسب و کار تا تشخیصات پزشکی استفاده شود. از این رو تصمیم گیرندگان بر اساس این دانش می توانند یک ارزیابی دقیق تری از شرایط به دست آورند. ماشین بردار پشتیبانی ( SVMها) به تازگی به عنوان یک روش قدرتمند داده کاوی برای مقابله با مشکل استخراج اطلاعات به رسمیت شناخته شده است (بورگس کریستوفر، 1998). SVMها از توابع هسته برای تبدیل ویژگی های ورودی از ابعاد پایین تر به ابعاد بالاتراستفاده می کنند. بسیاری از برنامه های کاربردی عملی از کارایی و دقت SVMها بهره می برند، مانند تشخیص ورودی (موکامالا، جانوسکی و سونگ، 2002) و بیوانفورماتیک که ویژگی های ورودی ابعاد بسیار بالایی دارند.