افزایش دقت در کاوش الگوی پرتکرار با استفاده از وزن دهی به متغیرها در داده های بانکی

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

 افزایش دقت در کاوش الگوی پرتکرار با استفاده از وزن دهی به متغیرها در داده های بانکی دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد افزایش دقت در کاوش الگوی پرتکرار با استفاده از وزن دهی به متغیرها در داده های بانکی  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 افزایش دقت در کاوش الگوی پرتکرار با استفاده از وزن دهی به متغیرها در داده های بانکی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن افزایش دقت در کاوش الگوی پرتکرار با استفاده از وزن دهی به متغیرها در داده های بانکی :

تعداد صفحات :۸

چکیده مقاله:

کاوش الگوهای متناوب یکی از موضوعات بسیار مهم و مورد تمرکز در پژوهشهای انجام شده در حوزه داده کاوی درطول یک دهه اخیر بوده است. مقالات و آثار علمی فراوانی در این زمینه منتشر شده و پیشرفت های چشمگیری نیزحاصل شده است. این پیشرفت ها در ابعاد گوناگون، از ارایه الگوریتم های کارآمد و مقیاس پذیر برای کاوش مجموعه آیتم های متناوب در پایگاه های تراکنش، تا زمینه های پژوهشی متعددی چون کاوش الگوهای توالی متناوب، کاوش الگوهای ساختاری، کاوش همبستگی، طبقه بند یهای تداعی، و خوشه بند ی های مبتنی بر الگوهای متناوب وکاربردهای گسترده هریک از این زمینه ها، وجود داشته است.از این رو، کاوش الگوی پرتکرار به یک وظیفه مهم داده کاوی تبدیل شده و متمرکز در پژوهش های داده کاوی می باشد. یکی از الگوریتم های رایج برای کشف قوانین وابستگی الگوریتم [۱]Apriori بوده است. ایرادات اصلی روش Apriori تولید مجموعه ی زیادی از کاندیدها و پویش مکرر بانک اطلاعاتی و بررسی کردن کاندیدها توسط الگوهای تطابق می باشد که زمان بر و پرهزینه می باشد.در این مقاله ما با استفاده از یک الگوریتم جدید سرعت و همچنین تعداد قوانین تولید شده که خود باعث افزایش دقت درکاوش الگوی پرتکرار می شود را افزایش داده ایم.در این الگوریتم ما با استفاده از وزن دهی به متغیر ها و حذف متغیرهایی که کمتر از میانگین وزن گرفته اند و کاوش الگوی پرتکرار براساس متغیرهای باقیمانده الگوریتم،Apriori را بهینه کرده ایم.