Czasopismo | PRZEGLĄD TELEKOMUNIKACYJNY - WIADOMOŚCI TELEKOMUNIKACYJNE | Rocznik 2017 - zeszyt 4

Metoda klasyfikacji danych na podstawie modelu sekwencyjnej dyskretyzacji

10.15199/59.2017.4.2

Cezary Jankowski

nr katalogowy: 105027
10.15199/59.2017.4.2

Klasyczny schemat eksploracji danych z nadzorem zawiera etap klasyfikacji, poprzedzony wstępnym przetwarzaniem danych. Dyskretyzacja danych numerycznych stanowi ważny element przetwarzania wstępnego. Klasyczne podejście nie zapewnia wykorzystania wiedzy zdobytej podczas dyskretyzacji danych w etapie klasyfikacji. Prowadzi to do zwiększenia zasobów potrzebnych do obliczeń. W artykule przedstawiono nowatorską metodę klasyfikacji danych na podstawie modelu sekwencyjnej dyskretyzacji. Opisano założenia i kroki algorytmu, przedstawiono przykłady, ilustrujące działanie metody w zależności od wybranych parametrów, a także wyniki przeprowadzonych eksperymentów. Słowa kluczowe: klasyfikacja, dyskretyzacja, eksploracja danych, odkrywanie wiedzy z baz danych.Odkrywanie wiedzy z danych (Knowledge Discovery in Databases - KDD [7]) stanowi obecnie niezwykle istotną gałąź nauki i techniki. Jej rozwój jest związany z szybkim rozwojem sieci komputerowych, a zatem znacznie zwiększa się ilość zbieranych danych. Wydobywanie z nich tego, co najistotniejsze - informacji - wymaga coraz bardziej wyrafinowanych technik. Podstawowym problemem jest fakt, iż zdecydowana większość algorytmów, stosowanych w analizie danych, jest kosztowna pod względem obliczeniowym. Co więcej, odkrywanie wiedzy składa się z wielu kroków. Należy wspomnieć między innymi o selekcji, przetwarzaniu wstępnym [6, 14, 19] oraz o eksploracji danych (data mining). Każdy z tych kroków stanowi zbiór mniejszych czynności. Dla przykładu - przetwarzanie wstępne zapewnia między innymi kompletność danych (przez uzupełnianie braków - missing data imputation) lub to, że wartości atrybutów pochodzą ze skończonych zbiorów (jest to uzyskiwane przez dyskretyzację). Interesującą obserwacją jest to, iż poszczególne kroki są dla siebie nawzajem traktowane jako "czarne skrzynki". Oznacza to, że żaden z nich nie ma wglądu w szczegóły implementacyjne innego oraz w żaden sposób nie korzysta z pośredn[...]

Bibliografia

[1] Bache K., M. Lichman,.: UCI Machine Learning Repository
[http:// archive.ics.uci.edu/ml], Irvine, CA: University of California, School of Information and Computer Science
[2] Borowik G., T. Łuba: “Fast Algorithm of Attribute Reduction Based on the Complementation of Boolean Function, in Advanced Methods and Applications in Computational Intelligence", w: Klempous R., Nikodem J., Jacak W., Chaczko Z. (eds.) Advanced Methods and Applications in Computational Intelligence, Topics in Intelligent Engineering and Informatics, vol. 6, Springer International Publishing, 2014, pp. 2-23
[3] Borowik G.: “Boolean function complementation based algorithm for data discretization", w: Moreno-Díaz R., Pichler F.R., Quesada-Arencibia A. (eds.) Computer Aided Systems Theory - EUROCAST 2013, vol. 8112, Springer Heidelberg, 2013, pp. 218-225
[4] Borowik G.: “Data mining approach for decision and classification systems using logicsythesis algorithm", w: Klempous R., Nikodem J., Jacak W., Chaczko Z. (eds.) Advanced Methods and Applications in Computational Intelligence, Topics in Intelligent Engineering and Informatics, vol. 6, Springer International Publishing, 2014, pp. 3-23.
[5] Bouckaert R. R, E. Frank, M. Hall, R. Kirkby, P. Reutemann, A. Seewald, D. Scuse: WEKA Manual for Version 3-6-10, 2013.
[6] Chmielewski M.R., J.W. Grzymala-Busse: “Global Discretization of Continuous Attributes as Preprocessing for Machine Learning", Int. Journal of Approximate Reasoning 15, 1996, pp. 319-331.
[7] F ayyad U., G. Piatetsky-Shapiro, P. Smyth: “From Data Mining to Knowledge Discovery in Databases", AI Magazine, vol. 17, no. 3, 1996.
[8] Holmes G., A. Donkin, I. A. Witten: WEKA: a machine learning workbench, Proceedings of the 1994 Second Australian and New Zealand Conference on Intelligent Information Systems, 1994, pp. 357- 361.
[9] Jankowski C., G. Borowik, K. Kowalski: "Dyskretyzacja danych numerycznych metodami przekształceń boolowskich", Przegląd Telekomunikacyjny i Wiadomości Telekomunikacyjne, nr 10, 2014.
[10] Jankowski C.: System dyskretyzacji i klasyfikacji danych, Praca dyplomowa magisterska. Instytut Telekomunikacji, Politechnika Warszawska, Warszawa, 2015.
[11] Jankowski C., D. Reda, M. Mańkowski, G. Borowik: "Discretization of data using Boolean transformations and information theory based evaluation criteria", Bulletin of the Polish Academy of Sciences Technical Sciences, 2015, 63(4), 923-932.
[12] John G., P. Langley.: Estimating Continuous Distributions in Bayesian Classifiers, Proceedings of the Eleventh Conference on Uncertainty in Artificial Intelligence, 1995, pp. 338-345.
[13] Kohavi R.: The Power of Decision Tables, Proceedings of the European Conference on Machine Learning, Springer Verlag, 1995, pp. 174-189.
[14] Kotsiantis S., D. Kanellopoulos, P. Pintelas: "Data Preprocessing for Supervised Learning", International Journal of Computer Science, vol. 1, no. 2, 2006, pp. 111-117
[15] Łuba T. (et al.): "Rola i znaczenie syntezy logicznej w eksploracji danych dla potrzeb telekomunikacji i medycyny". Przegląd Telekomunikacyjny i Wiadomości Telekomunikacyjne, nr. 5, 2014.
[16] Łuba T., Borowik G.: Synteza logiczna, Oficyna Wydawnicza Politechniki Warszawskiej, 2015.
[17] Nguyen H.S, Nguyen S.H.: Discretization methods in data mining, Rough Sets in Knowledge Discovery, Physica-Verlag, Heidelberg, 1998, pp. 451-482.
[18] Othman M.F., T.M.S Yau.: Comparison of Different Classification Techniques Using WEKA for Breast Cancer, 3rd Kuala Lumpur International Conference on Biomedical Engineering 2006 IFMBE Proceedings Volume 15, 2007, pp. 520-523.
[19] Pyle D.: Data Preparation for Data Mining, Morgan Kaufmann Publishers, Los Altos, California, 1999.
[20] Quinlan, J.: C4.5: Programs for Machine Learning, Morgan Kaufman, 1992.
[21] Quinlan J.: “Improved use of continuous attribute in C4.5", Journal of Artificial Intelligence Research, 4, 1996, pp. 77-90.
[22] Zhang H.: The Optimality of Naive Bayes, Proceedings of the Seventeenth International Florida Artificial Intelligence Research Society Conference FLAIRS 2004, AAAI Press, 2004.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 105027 "Metoda klasyfikacji danyc..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD TELEKOMUNIKACYJNY - e-zeszyt (pdf) 2017-4 licencja: Osobista Produkt cyfrowy	30.50 zł

Prenumerata

PRZEGLĄD TELEKOMUNIKACYJNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

300.00 zł

PRZEGLĄD TELEKOMUNIKACYJNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD TELEKOMUNIKACYJNY - papierowa prenumerata roczna	348.00 zł brutto 322.22 zł netto 25.78 zł VAT (stawka VAT 8%)
PRZEGLĄD TELEKOMUNIKACYJNY - pakowanie i wysyłka	21.00 zł brutto 17.07 zł netto 3.93 zł VAT (stawka VAT 23%)

369.00 zł

PRZEGLĄD TELEKOMUNIKACYJNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD TELEKOMUNIKACYJNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	450.00 zł brutto 416.67 zł netto 33.33 zł VAT (stawka VAT 8%)

450.00 zł

Zeszyt

2017-4

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma