Warianty tytułu
Knowledge Acquisition from Database
Języki publikacji
Abstrakty
Bazę wiedzy można budować na podstawie informacji zawartych w bazie danych. Wiedzę można pozyskiwać za pomocą drzewa decyzyjnego, a następnie reprezentować w postaci zbioru reguł. Efektywność algorytmu klasyfikacyjnego zależy od wyboru pierwszej i kolejnych cech. Najlepszą dyskryminantą jest cecha najmocniej związana ze zmienną klasyfikacyjną. Związek ten można mierzyć przy pomocy nieparametrycznych miar zależności - np. wykorzystując WSPÓŁCZYNNIK HELLWIGA.
Wadą tego podejścia jest fakt wyznaczania bezpośrednio wartości zmiennej klasyfikacyjnej oraz brak możliwości wyjaśniania sposobu wnioskowania systemu. (fragment tekstu)
Wadą tego podejścia jest fakt wyznaczania bezpośrednio wartości zmiennej klasyfikacyjnej oraz brak możliwości wyjaśniania sposobu wnioskowania systemu. (fragment tekstu)
This paper discusses constructing decision trees from collection of examples. This kind of information aquisition belongs to methods of knowledge discovery. Knowledge discovery in database - is the nontrivial extraction of implicit, previously unknown, and potentially useful information from data. (original abstract)
Rocznik
Numer
Strony
101--109
Opis fizyczny
Twórcy
autor
Bibliografia
- Frawley W.J., Piatetsky-Shapiro G., Mathens C.J.: Knowledge discovery in database. An Overview. AI Magazine, 1992/13.3.
- Hellwig Z.: Elementy rachunku prawdopodobieństwa i statystyki matematycznej. PWN, Warszawa, 1980.
- Iwański C., Szkatuła G.: Wybrane metody uczenia maszynowego dla tworzenia reguł klasyfikacji obiektu. Prace IBS PAN, Warszawa, 1992/173.
- Quinlan J.R.: Induction of decision trees. Machine Learning 1:81 -106, Kluwer Academic Publishers, Boston, 1986.
- Quinlan J.R.: Simplifying decision trees. Knowledge-based Systems Vol. l, Academic Press Limited, 1988.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000000002498