System GIMS - generalizacja indukcyjną metodą symboliczną

• Autorzy: Violetta Galant
• Języki publikacji: PL

Abstrakty

W artykule został zaprezentowany algorytm GIMS, który został zaimplementowany i przetestowany. W algorytmie tym zastosowano współczynnik skojarzenia Czerwińskiego do generacji drzew decyzyjnych. Dodatkowo zastosowano w tym algorytmie próg akceptowalności atrybutów, oceniający wpływ atrybutu opisującego na klasyfikacyjny oraz zmodyfikowany sposób obsługi atrybutów numerycznych. Przeprowadzone testy wykazały efektywność rozwiązań zastosowanych w algorytmie GIMS.
Niemniej system GIMS jest w obecnej wersji prototypem, który jest jeszcze poprawiany i wzbogacany o dodatkowe funkcje. Między innymi planowana jest dalsza modyfikacja obsługi atrybutów numerycznych. Również, aby można było w pełni porównywać wygenerowane przez system GIMS drzewa z innymi systemami, zostanie on w najbliższym czasie wzbogacony o możliwość obsługi brakujących wartości. (fragment tekstu)

Słowa kluczowe

PL

Bazy danych; Generowanie wiedzy; Algorytmy; Materiały konferencyjne

EN

Databases; Knowledge generating; Algorithms; Conference materials

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 1997
• Numer: nr 772 Pozyskiwanie wiedzy
• Strony: 21--30

Twórcy

autor

Violetta Galant

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• Breiman I., Friedman J.H., Olshen R.A., Stone C.J.: Classification and Regresion Trees. Wadsworth and Brooks 1984.
• Czerwiński Z.: O mierze zależności stochastycznej. "Przegląd Statystyczny" 1970 nr 2.
• Efektywne zarządzanie a sztuczna inteligencja. Red. Baborski A. Wrocław: AE 1994.
• Hunt E.B., Marin J., Stone P.J.: Experiments in induction. Academic Press 1966.
• Michalski R.S., Dietterich T.G.: A comperative review of selected methods for learning from examples. [w:] Michalski R.S. et al.: Machine Learning. v.I. Morgan Kaufmann Publishers 1983 s.41-81.
• Michalski R.S., Kodratoff Y.: Machine Learning, v.III Morgan Kaufmann Publishers 1990.
• Michi D., Spiegelhalter D.J., Taylor C.C.: Macine learning, neural and statistical classification. Ellis Horwood 1994.
• Mulawka J.J.: Systemy ekspertowe. Wydawnictwa Naukowo-Techniczne, Warszawa 1996.
• Pau L.F., Motiwalla J., Pao Y. H., Teh H.: Expert Systems in Economies, Banking and Management.
• Quinlan J.R.: Induction of Decision Trees. Machine Learning 1986/1.
• Quinlan J.R.: C4.5: programs for machine learning. Morgan Kaufmann Publishers, 1993.
• Shapiro P.G., Frawlej W.J.: Knowledge Discovery in Databases. The AAAI Press 1991.
• Shapiro P.G.: Siftware: Tools for Data Mining and Knowledge Discovery. Adres internetowy: http://info.gte.com/~kdd.