Porównanie indukcji reguł z wybranymi metodami dyskryminacji

• Autorzy: Mariusz Kubus

Warianty tytułu

The Comparison of Rules Induction to Some Discrimination Methods

• Języki publikacji: PL

Abstrakty

Celem artykułu jest empiryczne porównanie błędów klasyfikacji uzyskanych tym algorytmem z wynikami innych metod dyskryminacji. Wykorzystane będą zbiory danych rzeczywistych udostępniane przez repozytorium Uniwersytetu Kalifornijskiego. (fragment tekstu)

EN

Rules induction belongs to nonparametric and adaptive methods of discrimination. As in classification trees, it can deal with nonmetric variables and missing attribute values. The method is also robust in a presence of outliers. A model has the form of a set of "if-then" rules, where conditions are the conjunctions of attribute values, therefore it is easy for interpretation. Rules neither need be represented in the form of tree nor lead to disjoint classification. The main goal of this paper is the comparison of error rates for rules induction and some discrimination methods. Over twenty real world datasets from UCI Repository of Machine Learning Databases were used. The RIPPER algorithm, which is considered as one of the most effective in rules induction, has been chosen. (original abstract)

Słowa kluczowe

PL

Analiza dyskryminacyjna; Klasyfikacja danych; Błędy pomiarowe; Uczenie maszynowe

EN

Discriminant analysis; Data classifications; Measuring errors; Machine learning

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2009
• Tom: 16
• Numer: nr 47 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 367--374

Twórcy

autor

Mariusz Kubus

• Politechnika Opolska

Bibliografia

• Blake C., Keogh E., Merz C.J. (1998), UCI repository of machine learning databases, Department of Information and Computer Science, University of California, Irvine, www.ics.uci.edu/~mlearn/MLRepository.html.
• Cohen W.W. (1995), Fast effective rule induction, [w:] Proceedings of the 12th International Conference on Machine Learning, red. A. Prieditis, S. Russell, Morgan Kaufmann, Lake Tahoe, CA, s. 115-123.
• Enas G.G., Choi S.C. (1986), Choice of the smoothing parameter and efficiency of k-nearest neighbor classification, "Computer and Mathematics with Applications", 12A(2), s. 235-244.
• Fürnkranz J. (1999), Separate-and-conquer rule learning, "Artif. Intelligence Review", 13(1), s. 3-54.
• Fürnkranz J., Widmer G. (1994), Incremental reduced error pruning, [w:] Proceedings of the Eleventh Conference on Machine Learning, red. W. Cohen, H. Hirsh, Morgan Kaufmann, New Brunswick, New Jersey, s. 70-77.
• Gatnar E. (1998), Symboliczne metody klasyfikacji danych, PWN, Warszawa.
• Gatnar E. (2001), Nieparametryczna metoda dyskryminacji i regresji, PWN, Warszawa.
• Michalski R.S. (1969), On the quasi-minimal solution of the covering problem, [w:] Proceedings of the 5th International Symposium on Information Processing (FCIP-69), vol. A3 (Switching Circuits), Bled, Yugoslavia, s. 125-128.
• Quinlan J.R., Cameron-Jones R.M. (1995), Oversearching and layered search in empirical learning, [w:] Proceedings of the 14th International Joint Conference on Artificial Intelligence, red. C. Mellish, Morgan Kaufman, s. 1019-1024.
• Rissanen J. (1978), Modeling by shortest data description, "Automatica", 14, s. 465-471.
• Webb A.R. (2002), Statistical pattern recognition, 2nd edition, John Wiley & Sons.