به هنگام سازی رتبه بندی قواعد مرتب شده با تحلیل پوششی داده ها، با کمک روشهای یادگیر
چکیده
قواعد استخراج شده از یک مجموعه داده در فرآیند داده کاوی، به دلیل اهمیت در حوزه های کسب و کار همواره نیازمند رتبه بندی هستند تا بهترین و قابل اعتمادترین آنها را بتوان انتخاب نمود . تحلیل پوششی داده ها (data envelopment analysis ? dea) روشی است که برای رتبه بندی عادلانه نامزدها در یک انتخابات ترجیحی مطرح شد؛ و مو-چن چن برای اولین بار این روش را برای رتبه بندی قواعد پیوندی استخراج شده در داده کاوی استفاده کرد. وی همچنین برای تمایز میان قواعد بهینه از روش تمایز اوباتا و ایشی استفاده کرد. داده های موجود در هر مجموعه داده معمولاً به روز می شوند و در نتیجه آن، قواعد جدیدی از آن ها استخراج می گردد. از طرف دیگر الگوریتمهای تحلیل پوششی داده ها و تمایز اوباتا و ایشی پیچیده می باشند . در نتیجه بهنگام سازی امتیازهای قواعد نیازمند محاسبات زمانبر است. در این تحقیق با استفاده از روش های یادگیر و علی الخصوص شبکه های عصبی مصنوعی روشی معرفی شد تا بتوان بدون نیاز به انجام محاسبات ریاضیdea و فقط با استفاده از شبکه عصبی، قواعد جدید را رتبه بندی کرد. برای این منظور، امتیاز ترجیحی کلیه قواعد با استفاده از روش مو-چن چن محاسبه شد و به عنوان دادههای یادگیری به شبکه عصبی داده شد. پس از به روز شدن داده ها و استخراج قواعد جدید، قواعد به شبکه عصبی داده شدند تا امتیازشان بدست آید . این تحقیق نشان داد که شبکه های عصبی می توانند جایگزین خوبی برای محاسبات پیچیده تحلیل پوششی داده ها و قاعده تمایز اوباتا و ایشی باشند.