این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۴، شماره ۱، صفحات ۱۵-۲۸
عنوان فارسی ارائه رویکردی نوین یادگیری ماشین برای شناسایی و تجزیه و تحلیل دانش پدیده‌های استثنایی
چکیده فارسی مقاله منطق یادگیری ازاستثنائات چالشی قابل توجه در حوزه داده­کاوی است. استثنائات پدیده­های نادری هستند که رفتاری مثبت و متفاوت از الگوهای اصلی و مورد انتظار موجود در پایگاه­داده از خود بروز می دهند. ایجاد چارچوبی کارا برای افزایش اطمینان به پدیده­های استثنایی در کشف دانش و یادگیری موثر از آن حائز اهمیت است. در این پژوهش، الگویی بر اساس تئوری استثنائات و تئوری اطلاعات ارائه شده است تا چالش‌های پیش­روی داده‌کاوی داده‌های استثنایی را برطرف نماید. نخست از تابع آنتروپی رنی برای شناسایی استثنائات استفاده و سپس با بکارگیری رویکرد یادگیری پایین به بالا بر مبنای الگوریتم پیشنهادی RISE ارتقا یافته، قوانین حاکم بر بروز رفتار استثنایی استخراج می­گردد. به منظور تعیین کارایی مدل پیشنهادی، کشف سهام استثنایی و یادگیری رفتار آن­ها مورد بررسی قرار گرفته است. از مجموع 1334 سهم مورد بررسی 36 سهم رفتار استثنایی داشته اند که رفتار آن ها در قالب سه قانون مشخص شده است. ارجحیت نتایج حاصل از مدل پیشنهادی نسبت به نتایج بدست آمده از بکارگیری الگوریتم­های معمول یادگیری بیانگرکارایی مدل ارائه شده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A Novel Approach for Exceptional Phenomena Knowledge Detection and Analysis by Data mining
چکیده انگلیسی مقاله Learning logic of exceptions is a considerable challenge in data mining and knowledge discovery. Exceptions are the rare data with positive unusual behavior. This paper presents a novel framework to promote the confidence to a limited number of records (exceptions) for effective learning of exceptions. In this study, a new approach based on the abnormality theory and computing theory is presented to detect exceptional phenomena and learn their behavior. First, Renyi entropy function is implemented to detect exceptional data which is differentiated data according to their hidden knowledge. Then, the novel E-RISE algorithm which follows bottom-up learning strategy is introduced to learn exceptional data behavior. Efficiency of the proposed model is determined by applying it to the Iran stock market data. Mining the 1334 stocks data points, 2/6% of them had exceptional behavior. The extracted rules represent the exceptional stocks attitudes. Findings of the proposed method are compared with the outcomes of applying traditional methods as decision tree and support vector machine which is considerable. The results show the capability of the proposed method in exceptional data detection and learning their behaviors.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مسعود عابسی | masood abessi
yazd, yazv univrdity, industrial eng faculty
یزد دانشگاه یزد دانشکده صنایع
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

الهه حاجی گل یزدی | elahe hajigol yazdi
yazd, yazd univrdity, industrial eng faculty
یزد دانشگاه یزد دانشکده صنایع
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

حسن حسینی نسب | hasan hoseini nasab
yazd, yazd univrdity, industrial eng faculty
یزد دانشگاه یزد دانشکده صنایع
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

محمدباقر فخرزاد | mohammad bagher fakhrzad
yazd, yazd univrdity, industrial eng faculty
یزد دانشگاه یزد دانشکده صنایع
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-695-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-417046.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات