BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Piasta Zdzisław (Politechnika Świętokrzyska), Kekez Michał (Politechnika Świętokrzyska)
Tytuł
Systemy indukcji reguł jako efektywne narzędzie pozyskiwania wiedzy z danych
Źródło
Prace Naukowe Akademii Ekonomicznej we Wrocławiu, 1998, nr 787, s. 77-92, tab., bibliogr. 21 poz.
Tytuł własny numeru
Pozyskiwanie wiedzy z baz danych
Słowa kluczowe
Komputerowy system przetwarzania danych, Algorytmy, Bazy danych
Data processing system, Algorithms, Databases
Abstrakt
Celem pracy jest ocena różnych systemów indukcji reguł ze względu na ich przydatność do rozwiązywania konkretnych problemów decyzyjnych. Porównania różnych algorytmów indukcyjnych z dziedziny uczenia maszynowego, statystyki i sieci neuronowych na wielu zbiorach danych dokonano w ramach projektu StatLog [Michie, Spiegelhalter, Taylor, 1994] a także m.in. w pracy [Lim, Loh, Shih, 1997]. W naszym artykule w przeprowadzonych analizach porównawczych ograniczamy się do systemów indukcji reguł, ale zestaw uwzględnionych algorytmów rozszerzamy o te, których konstrukcja bazowała na teorii zbiorów przybliżonych [Pawlak, 1991] lub była przez nią inspirowana (ProbRough [Piasta, Lenarcik, 1996]). Zastosowane w analizach algorytmy porównywane są ze względu na: zakładane przeznaczenie, cechy wynikowego zbioru reguł, zależność wynikowego zbioru reguł od kolejności obiektów, atrybutów i decyzji w tablicy decyzyjnej, możliwość automatycznego eliminowania atrybutów nadmiarowych, dopuszczalność istnienia brakujących obserwacji, możliwość uwzględnienia zróżnicowanych priorsów i kosztów decyzji oraz złożoność obliczeniową. (fragment tekstu)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Bibliografia
Pokaż
  1. Auer P., Holte R.C., Maass W.: Theory and Application of Agnostic PAC-Learning with Small Decision Trees, Proceedings of Twelfth International Conference on Machine Learning, San Francisco, Morgran Kaufmann, 1995, 21-29.
  2. Breiman L., Friedman J.H., Olshen R.A., Stone C.J.: Classification and Regression Tress, Wadsworth, Belmont, 1984.
  3. Clark P., Niblett T.: The CN2 Induction Algorithm, "Machine Learning Journal", Vol. 3,1989,261-283.
  4. Clark P., Niblett T.: Rule Induction with CN2: Some Recent Improvements, Machine Learning -Proceedings of the Fifth European Conference (EWSL-91), 1991, 151-163.
  5. Galant V.: GIMS - decision tree learning system, Proceedings of First Polish Conference on Theory and Applications of Artificial Intelligence, CAI'96, Łódź, 1996, 96-102.
  6. Grzymała-Busse J.W.: LERS - A system for learning from examples based on rough sets, In Słowiński, R. Ed. Intelligent Decision Support, Handbook of Applications and Advances of the Rough Sets Theory, Kluwer Academic Publishers, Dordrecht, Boston, London, 1992, 3-18.
  7. Hunt E.B., Marin J., Stone P.J.: Experiments in Induction, New York, Academic Press, 1966.
  8. Lim T.-S., Loh W.-Y., Shih Y.-S.: An Empirical Comparison of Decision Trees and Other Classification Methods, Department of Statistics University of Wisconsin, Madison, Technical Report 979, 1997 (http://www.stat.wisc.edu/~limt/compare.ps).
  9. Loh W.-Y., Shih Y.-S.: Split Selection Methods for Classification Trees, Statistica Sinnica, Vol.7,No.4,1997.
  10. Michalski R.S.: On the quasi-minimal solution of the general covering problem, Proceedings of the Fifth International Symposium on Inform. Processing, Bled, Slovenia, 1969, 125-128.
  11. Michie D., Spiegelhalter D.J., Taylor C.C.(eds.): Machine Learning, Neural and Statistical Classification, Ellis Horwood, London, 1994.
  12. Murthy S.K., Kasif S., Salzberg S.: A system for induction of oblique decision trees, "Journal of Artificial Intelligence Research" 2, 1994, 1-33.
  13. Pawlak Z.: Rough Sets: Theoretical Aspects of Reasoning About Data, Kluwer Academic Publishers, Dordrecht, 1991.
  14. Piasta Z., Lenarcik A.: Rule induction with probabilistic rough classifiers, ICS Research Report 24/96, Warsaw University of Technology, 1996, ukaże się w Machine Learning Journal.
  15. Piasta Z., Lenarcik A.: Learning rough classifiers from large databases with missing values, ukaże się w L. Polkowski, A. Skowron (eds), Rough Sets in Knowledge Discovery, Physica-Verlag.
  16. Piasta Z.: Pozyskiwanie wiedzy z danych z zastosowaniem klasyfikatorów przybliżonych, [w:] A. Baborski (ed.), Pozyskiwanie wiedzy z danych, Akademia Ekonomiczna we Wrocławiu, 1998.
  17. Quinlann J.R.: Induction of Decision Trees, "Machine Learning Journal", 1,1986,81-106.
  18. Quinlan J.R.: C4.5 Programs for machine learning, Morgan Kaufmann, 1993.
  19. Quinlan J.R.: Improved Use of Continuous Attributes in C4.5, "Journal of Artificial Intelligence Research", 4,1996,77-90.
  20. Quinlan J.R.: http://www.rulequest.com/see5-info.html, 1997.
  21. Øhrn A., Komorowski J., Skowron A., Synak P.: The Design and Implementation of a Knowledge Discovery Toolkit Based on Rough Sets - The Rosetta System, To appear in Rough Sets in Knowledge Discovery, L. Polkowski and A. Skowron (eds.), Physica Verlag, 1998.
Cytowane przez
Pokaż
ISSN
0324-8445
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu