دانلود مقاله ترجمه شده بکارگیری ابزار‌های داده کاوی جهت انتشار داده‌ها در مسائل دسته‌بندی

فاز انتشار داده‌ها یک مرحله حیاتی در فرآیند KDD (کشف دانش در پایگاه داده‌ها) است. این فاز برای نتیجه یک داده کاوی خوب حیاتی است زیرا اگر داده‌ها به طور صحیح آماده نشده باشند، تمام فاز‌های بعدی فرآیند به خطر می‌افتد. DMPML چهارچوبی است که داده‌های از پیش پردازش شده را برای الگوریتم‌های مختلف داده کاوی در یک سند XML ذخیره می‌کند و کد‌گذاری صحیح را با استفاده از یک سند XSLT مطابق با نیاز‌های الگوریتم داده کاوی بازیابی می‌نماید. این مقاله مقایسه‌ای بین DMPML و سه برنامه کاربردی داده کاوی (Weka، RapidMiner، KNIME) را ارائه می‌دهد که رویکرد گراف جهت دار را با در نظر گرفتن زمان صرف شده جهت ایجاد و اجرای وظایف انتشار داده‌ها برای دو الگوریتم داده کاوی بکار می‌گیرد. آزمایشات با استفاده از انواع مختلف مجموعه‌های داده‌ای: عددی، قطعی و ترکیبی اجرا می‌شوند. ما مشاهده کردیم که طرح بکار رفته توسط DMPML می‌تواند استفاده از الگوریتم‌های مختلف داده کاوی را ساده کند و به طور قابل ملاحظه‌ای زمان صرف شده جهت ایجاد وظایف انتشار داده‌ها را کاهش دهد.

1-مقدمه

فاز انتشار داده‌ها در فرآیند KDD مسئول پاک کردن، یکپارچه کردن، انتخاب و تبدیل داده‌ها است، به طوری که برای یک الگوریتم داده کاوی مناسب باشد. بر اساس Pyle [2]، آماده سازی داده‌ها 60 تا 80 درصد از زمان مورد نیاز جهت کاوش داده‌ها را مصرف می کند و 75 تا 90 درصد از داده‌ها جهت موفقیت کاوش همکاری می‌نمایند. امروزه بسیاری از ابزار‌ها می‌توانند جهت انجام این فاز مورد استفاده قرار گیرند. رایج‌ترین رویکردی که علاوه بر توصیف فاز انتشار داده‌ها می‌تواند کل فرآیند را توصیف نماید.، بکارگیری گراف‌های جهت دار است...