اصلاح درخت تصمیم۴.۵C برای مجموعه داده نامتعادل

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 اصلاح درخت تصمیم۴.۵C برای مجموعه داده نامتعادل دارای ۱۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد اصلاح درخت تصمیم۴.۵C برای مجموعه داده نامتعادل  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی اصلاح درخت تصمیم۴.۵C برای مجموعه داده نامتعادل،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن اصلاح درخت تصمیم۴.۵C برای مجموعه داده نامتعادل :

تعداد صفحات :۱۷

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 C4.5 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.