واکاوی ژنتیک فازی با اتکاهای مینیمم چندگانه بر مبنای خوشه بندی فازی

قیمت: 40,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

واکاوی ژنتیک فازی با اتکاهای مینیمم چندگانه بر مبنای خوشه بندی فازی

عنوان لاتین

Genetic-fuzzy mining with multiple minimum supports based on fuzzy clustering

واکاوی داده، فرآیند استخراج دانش مطلوب یا الگوهای جالب از پایگاه داده های (دیتابیس) موجود برای اهداف خاص است. تمامی شیوه های قبلی، یک تک آستانه ی حمایتی مینیمم را برای همه ی آیتم ها برقرار می کنند و با استفاده از مقادیر باینری (دودویی) روابط میان تراکنش ها را مشخص می کنند. در کاربردهای واقعی، آیتم های مختلف ممکن است معیارهای مختلفی برای قضاوت در مورد اهمیتشان داشته باشند. ما در گذشته برای استخراج مقادیر چندگانه ی اتکاء مینیمم، توابع عضویت و قوانین اتحاد فازی از تراکنش های کمیتی، یک الگوریتم را مطرح کردیم. آن از شایستگی و رضایتمندی اقتضایی توابع عضویت برای ارزیابی مقادیر برازش ( fitness ) کروموزوم ها استفاده می کرد. محاسبه ی رضایتمندی اقتضایی ممکن است بسیار زمان بر باشد، به ویژه زمانی که دیتابیسی که می بایست اسکن شود را نتوان به طور کامل به حافظه ی اصلی منتقل کرد.بنابراین ما در این مقاله، یک روش پیشرفته (که روش واکاوی ژنتیک فازی خوشه محور فازی برای آیتم هایی با اتکاهای چندگانه ی مینیمم یا FCGFMMS نامیده می شود ) را برای سرعت بخشیدن به فرآیند ارزیابی مطرح کردیم و تقریبا همان کیفیت راه حل ها را مشابه با مورد قبل حفظ کردیم. آن، کروموزوم های موجود در یک جمعیت را به وسیله ی روش خوشه بندی K-means فازی به چندین خوشه تقسیم می کند و هر جزء را با توجه به خوشه و اطلاعاتش ارزیابی می کند. نتایج تجربی نیز کارایی و بهره وری شیوه ی مطرح شده را نشان می دهند.

Data mining is the process of extracting desirable knowledge or interesting patterns from existing databases for specific purposes. Most of the previous approaches set a single minimum support threshold for all the items and identify the relationships among transactions using binary values. In real applications, different items may have different criteria to judge their importance. In the past, we proposed an algorithm for extracting appropriate multiple minimum support values, membership functions and fuzzy association rules from quantitative transactions. It used requirement satisfaction and suitability of membership functions to evaluate fitness values of chromosomes. The calculation for requirement satisfaction might take a lot of time, especially when the database to be scanned could not be totally fed into main memory. In this paper, an enhanced approach, called the fuzzy clusterbased genetic-fuzzy mining approach for items with multiple minimum supports (FCGFMMS), is thus proposed to speed up the evaluation process and keep nearly the same quality of solutions as the previous one. It divides the chromosomes in a population into several clusters by the fuzzy k-means clustering approach and evaluates each individual according to both their cluster and their own information. Experimental results also show the effectiveness and the efficiency of the proposed approach