Systemy indukcji reguł w pozyskiwaniu wiedzy z dużych baz danych

• Autorzy: Zdzisław Piasta , Michał Kekez
• Języki publikacji: PL

Abstrakty

Niezwykle szybki rozwój nowych technologii informatycznych i powszechna komputeryzacja radykalnie zwiększają możliwości gromadzenia danych. Globalizacja rynków i konkurencji oraz dynamika dokonujących się przemian powodują, że gwałtownie wzrasta zapotrzebowanie na systemy wspomagające procesy podejmowania decyzji. Inteligentne wspomaganie decyzji, z wykorzystaniem algorytmów wydobywających w sposób automatyczny wiedzę z danych, zaczyna odgrywać istotną rolę w wielu dziedzinach biznesu, nauki, przemysłu i administracji.
W pozyskiwaniu wiedzy z danych szczególną rolę odgrywają systemy indukcji reguł. Wygenerowane zestawy reguł nie tylko umożliwiają wnioskowanie, lecz również pozwalają zrozumieć przesłanki podejmowanych decyzji. Wiele baz danych poddawanych analizie za pomocą systemów indukcji reguł zawiera dużą liczbę obiektów (rekordów), scharakteryzowanych za pomocą dużej liczby atrybutów. Artykuł przedstawia wyniki analizy porównawczej trzech systemów indukcji reguł lub drzew decyzyjnych: ProbRough, C4.5 i T2, przeprowadzonej na dwóch dużych rzeczywistych bazach danych. Systemy porównywane są ze względu na własności predykcyjne wygenerowanych zestawów reguł oraz ich złożoność. Dokonano również oceny efektywności porównywanych systemów. (fragment tekstu)

Słowa kluczowe

PL

Algorytmy; Bazy danych; Materiały konferencyjne

EN

Algorithms; Databases; Conference materials

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 1999
• Numer: nr 815 Pozyskiwanie wiedzy z baz danych
• Strony: 134--144

Twórcy

autor

Zdzisław Piasta

• Politechnika Świętokrzyska

autor

Michał Kekez

• Politechnika Świętokrzyska

Bibliografia

• Auer P., Holte R.C., Maass W.: Theory and Application of Agnostic PAC-Learning with Small Decision Trees. Proceedings of Twelfth International Conference on Machine Learning, San Francisco, Morgan Kaufmann, 1995, 21-29.
• Breiman L., Friedman J.H., Olshen R.A., Stone C.J.: Classification and Regression Tress. Wadsworth, Belmont, 1984.
• Clark P., Niblett T.: The CN2 Induction Algorithm. "Machine Learning", Vol. 3, 1989, 261-283.
• Clark P., Niblett T.: Rule Induction with CN2: Some Recent Improvements. "Machine Learning" - Proceedings of the Fifth European Conference (EWSL-91), 1991,151-163.
• Loh W.Y., Shih Y.S.: Split Selection Methods for Classification Trees. "Statistica Sinnica", Vol.7, No.4, 1997.
• Michalski R.S.: On the Quasi-Minimal Solution of the General Covering Problem. Proceedings of the Fifth International Symposium on Inform. Processing, Bled, Slovenia, 1969, 125-128.
• Murthy S.K., Kasif S., Salzberg S.: A System for Induction of Oblique Decision Trees, "Journal of Artificial Intelligence Research" 2, 1994, 1-33.
• Piasta Z., Lenarcik A.: Rule Induction with Probabilistic Rough Classifiers. ICS Research Report 24/96, Warsaw University of Technology, 1996.
• Piasta Z., Lenarcik A.: Learning Rough Classifiers from Large Databases with Missing Values. [w:] L. Polkowski, A. Skowron (eds): Rough Sets in Knowledge Discovery. Vol. 1, Physica-Verlag, 483-499.
• Piasta Z.: Pozyskiwanie wiedzy z danych z zastosowaniem klasyfikatorów przybliżonych. [w:] A. Baborski (red.): Pozyskiwanie wiedzy. Wrocław: AE, 1997, 133-149.
• Piasta Z., Kekez M.: Systemy indukcji reguł jako efektywne narzędzie pozyskiwania wiedzy z danych. [w:] A. Baborski (red.): Pozyskiwanie wiedzy z baz danych. Wrocław: AE, 1998, 77-92.
• Quinlan J.R.: C4.5: Programs for Machine Learning. Morgan Kaufmann, 1993.
• Quinlan J.R.: Improved Use of Continuous Attributes in C4.5. "Journal of Artificial Intelligence Research" 4, 1996, 77-90.
• Øhrn A., Komorowski J., Skowron A., Synak P.: The Design and Implementation of a Knowledge Discovery Toolkit Based on Rough Sets - the Rosetta System. [w:] L. Polkowski and A. Skowron (eds): Rough Sets in Knowledge Discovery. Physica Verlag, 1998.