ترجمه مقاله درختان تصمیم گیری برای جریان های داده کاوی مبتنی بر کران McDiarmid - نشریه IEEE

قیمت خرید این محصول

۳۵,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

درختان تصمیم گیری برای جریان های داده کاوی مبتنی بر کران McDiarmid

عنوان انگلیسی

Decision Trees for Mining Data Streams Based on the McDiarmid’s Bound

صفحات مقاله فارسی

22

صفحات مقاله انگلیسی

8

سال انتشار

2013

نشریه

آی تریپل ای - IEEE

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

8064

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه نشده است

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

رشته های مرتبط با این مقاله

مهندسی صنایع

گرایش های مرتبط با این مقاله

داده کاوی

مجله

تراکنش ها در دانش و اطلاعات مهندسی - TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING

دانشگاه

موسسه هوش محاسباتی، دانشگاه تکنولوژی چستوچوا، لهستان

کلمات کلیدی

جریان داده ها، درخت های تصمیم گیری، محدوده Hoeffding، مرز McDiarmid، افزایش اطلاعات، شاخص جینی

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
1.مقدمه
1.1انگیزه و نتایج
1.2 درخت های تصمیم گیری برای داده های بدون جریان
1.3 درختان تصمیم گیری برای جریان داده و نابرابری Hoeffding
3.کران MCDIARMIDبرای بدست آوری اطلاعات
4.کران MCDIARMIDبرای شاخص Gini
5. الگوریتم درخت MCDIARMID
6. نتایج تجربی
7. سخن آخر

نمونه چکیده متن اصلی انگلیسی

Abstract

In mining data streams the most popular tool is the Hoeffding tree algorithm. It uses the Hoeffding’s bound to determine the smallest number of examples needed at a node to select a splitting attribute. In the literature the same Hoeffding’s bound was used for any evaluation function (heuristic measure), e.g., information gain or Gini index. In this paper, it is shown that the Hoeffding’s inequality is not appropriate to solve the underlying problem. We prove two theorems presenting the McDiarmid’s bound for both the information gain, used in ID3 algorithm, and for Gini index, used in Classification and Regression Trees (CART) algorithm. The results of the paper guarantee that a decision tree learning system, applied to data streams and based on the McDiarmid’s bound, has the property that its output is nearly identical to that of a conventional learner. The results of the paper have a great impact on the state of the art of mining data streams and various developed so far methods and algorithms should be reconsidered.

نمونه چکیده ترجمه متن فارسی

چکیده

در جریان های داده کاوی محبوب ترین ابزار، الگوریتم درخت Hoeffding می باشد. از کران Hoeffding برای تعیین کوچکترین تعداد نمونه های مورد نیاز در یک گره که برای انتخاب ویژگی تقسیم استفاده می کند.در ادبیات کران Hoeffding مشابهی برای هر تابع ارزیابی (اندازه گیری اکتشافی)، به عنوان مثال، بدست آوری اطلاعات و یا شاخص Gini مورد استفاده قرار می گرفت. در این مقاله، نشان داده شده است که نابرابری Hoeffding برای حل مشکل اساسی مناسب نیست. ما دو قضیه را اثبات می کنیم که کران McDiarmid را برای هر دو اطلاعات مورد استفاده در الگوریتم3 ID، و شاخص Gini ، در طبقه بندی و الگوریتم درختان رگرسیون (CART) مورد استفاده قرار می دهد. نتایج مقاله تضمین می کند که یک سیستم یادگیری درخت تصمیم گیری، اعمال شده به جریان های داده ای و بر اساس کران McDiarmid ، دارای ویژگی است که در آن خروجی تقریبا یکسان با یادگیرنده معمولی است. نتایج مقاله تاثیر به سزایی بر روی وضعیت جریان های داده ای و روش های مختلف توسعه یافته تا کنون دارد و الگوریتم ها باید تجدید نظر گردند.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی صنایع، دانلود رایگان مقالات انگلیسی داده کاوی