عنوان اصلی لاتین : Mining fuzzy association rules from low-quality data
عنوان اصلی فارسی مقاله: استخراج قوانین انجمن فازی از اطلاعات با کیفیت پایین
مرتبط با رشته های : فناوری اطلاعات - کامپیوتر - داده کاوی
نوع فایل ترجمه : ورد آفیس(که دارای امکان ویرایش می باشد)
تعداد صفحات فایل ترجمه شده: 30 صفحه
کلمات کلیدی مربوطه با این مقاله: داده کاوی ، قوانین انجمن فازی ، اطلاعات با کیفیت پایین
برای دریافت رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
_______________________________________
جهت دانلود محصول اینجا کلیک نمایید
بخشی از ترجمه:
چکیده
– استخراج اطلاعات معمولاً در تلاش برای القای قوانین انجمن از پایگاه
داده استفاده می شود که می تواند به راحتی به تصمیم گیرنده انالیز اطلاعات
کمک کند و تصمیمات خوبی با در نظر گیری حوزه های مربوط بگیرد. مطالعات
مختلف روش هایی برای قوانین انجمن استخراج از پایگاه داده با ارزش های سطحی
پیشنهاد می کند. با این وجود ، اطلاعات در بسیاری از برنامه های کاربردی
جهان واقعی یک درجه قطعی نارست است. در این مقاله ما این مشکلات را پیدا
کرده ایم و یک الگو ریتم استخراج – داده برای خروج دانش جالب از پایگاه
داده به همراه اطلاعات نادرست ارائه نموده ایم. این الگو ریتم پیشنهادی
محتوای داده نادرست و الگوریتم استخراج استقرایی فازی جهت یافتن انجمن
استخراج در پایگاه داده شده ، جدا می کند. تجربیات تشخصیص نارسایی در درون
کودکی اخیر به وجود امده است تا عملکرد الگوریتم پیشنهادی را بازبینی کند.
1- مقدمه
داده
کاوی (DM) پروسه ای برای کشف اتوماتیکی دانش سطح بالا از جهان واقعی ،
مجموعه داده پیچیده و بزرگ می باشد. استفاده DM برای تسهیل تصمیم گیری است
که می تواند بهبود عملکرد در تصمیم گیری حادث می شود و قادر به غلط گیری
انواع مسائلی است که قبلاً آدرس دهی نشده اند (Mladeninetal 2002)
کشف قوانین انجمن یکی از تکنیک داده کاوی است که در این گزارش توضیح داده شده است.
جهت دانلود محصول اینجا کلیک نمایید
بخشی از مقاله انگلیسی
2 Fuzzy data-mining algorithm for quantitative values
The goal of the fuzzy data-mining algorithm presented byHong et al. (2001) is to find interesting itemsets and fuzzyassociation rules in databases with quantitative values,discovering interesting patterns among them.This method consists of transforming each quantitativevalue into a fuzzy set of linguistic terms using membershipfunctions, which assumes that the membership functionsare known in advance. The algorithm then calculates thescalar cardinality of each linguistic term in all the instancesas the count value and checks whether the count of eachlinguistic term is larger than or equal to the minimumsupport value to put these items in the large itemsetsLr.The mining process, based on fuzzy counts, considers thatthe intersection between the membership value of eachitem is the minimum operator. Finally, this method obtainsthe fuzzy association rules by the criterion used in theapriori algorithm (Agrawal and Srikant1994).
