دانلود فایل پاورپوینت الگوریتم داده کاوی همراه با درخت تصمیم گیری

PowerPoint قابل ویرایش
17 صفحه
8900 تومان

لطفا به نکات زیر در هنگام خرید دانلود فایل پاورپوینت الگوریتم داده کاوی همراه با درخت تصمیم گیری توجه فرمایید.

1-در این مطلب، متن اسلاید های اولیه دانلود فایل پاورپوینت الگوریتم داده کاوی همراه با درخت تصمیم گیری قرار داده شده است

2-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید

4-در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد

5-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار نخواهند گرفت

— پاورپوینت شامل تصاویر میباشد —-

اسلاید ۱ :

کلاسه بندی

■ فرایندی دو مرحله ای است :

■ساخت مدل :

■تحلیل یک مجموعه آموزشی که مجموعه‌ای از تاپل‌های پایگاه است و مشخص کردن برچسب کلاس‌های مربوط به این تاپل‌ها .

■ یک تاپل X با یک بردار صفت X=(x1,x2,…,xn) نمایش داده می‌شود . فرض می شود که هر تاپل به یک کلاس از پیش تعریف شده متعلق است .

■هرکلاس با یک صفت که به آن صفت برچسب کلاس می‌گوییم مشخص می‌شود .

■ مجموعه آموزشی به صورت تصادفی از پایگاه انتخاب می شود .

■به این مرحله ، مرحله یادگیری نیز می گویند .

■استفاده از مدل :

■از طریق یک تابع y=f(X) برچسب  کلاس هر تاپل X از پایگاه را پیش بینی می شود .

■این تابع به صورت قواعد کلاسه‌بندی ، درخت‌های تصمیم گیری یا فرمول‌های ریاضی است .

اسلاید ۲ :

درخت های تصمیم گیری

■یکی از روش های کارآمد و با کاربرد گسترده کلاسه بندی است .

■مدل حاصل از این روش به صورت درختهای تصمیم گیری است :

■هر گره در این درخت نشان دهنده یک آزمون بر روی یک صفت است .

■هر شاخه خارج شونده از یک گره نشان دهنده خروجی های ممکن آزمون است .

■هر برگ نشان دهنده یک برچسب کلاس است .

■نحوه استفاده از درخت تصمیم گیری :

■اگر تاپلی چون X که برچسب کلاس آن نامشخص است داشته باشیم صفات این تاپل در درخت مورد آزمون قرار می گیرند و یک مسیر از ریشه به سمت یک برگ که برچسب یک کلاس را دارد ایجاد می شود .

اسلاید ۳ :

مجموعه داده های آموزشی

اسلاید ۴ :

درخت تصمیم گیری برای buys_computer

اسلاید ۵ :

الگوریتم برای درخت های تصمیم گیری

■الگوریتم پایه

■درخت به صورت بالا-پایین بازگشتی ساخته می شود .

■در آغاز تمام مجموعه آموزشی در ریشه قرار دارند .

■فرض می کنیم صفات مقادیر گسسته دارند .

■صفات به صورت بازگشتی بر حسب صفات انتخاب شده بخش بندی می شوند .

■صفات آزمون بر اساس یک روال هیوریستیک مانند بهره اطلاعاتی ، شاخص جینی یا نسبت بهره انتخاب می شوند .

■شرایط توقف الگوریتم

■تمام نمونه های مربوط به یک نود متعلق به یک کلاس باشند .

■صفتی برای بخش بندی بیشتر باقی نمانده باشد .

■نمونه ای باقی نمانده باشد .

اسلاید ۶ :

چالش ها

■روش های ساختن درختان تصمیم گیری فرض می کنند که تمام مجموعه آموزشی به طور همزمان می تواند در دیسک ذخیره شود .

■روش های مذکور بصورت پیاپی مجموعه آموزشی را از دیسک می خوانند .

■هدف : طراحی درخت های تصمیم گیری که هر نمونه آموزشی را فقط یکبار بخواند زمان کوتاه ثابتی را برای پردازش آن صرف کند .

اسلاید ۷ :

نکات کلیدی

■برای یافتن بهترین صفت در هر گره ، در نظر گرفتن یک زیرمجموعه کوچک از نمونه های آموزشی که از آن گره عبور می کنند کافی است .

■با در دست داشتن جریانی از نمونه ها ، اولین نمونه ها برای انتخاب صفت ریشه استفاده می شوند .

■با تعیین شدن صفت ریشه ، نمونه های بعدی به سمت پایین و برگهای مربوطه عبور داده می شوند تا برای انتخاب صفت در آنجا استفاده شوند .

■این عمل به صورت بازگشتی تکرار می شود .

■چه تعداد نمونه در هر گره لازم است ؟

■از یک نتیجه آماری به نام Hoeffding bound  استفاده می کنیم .

اسلاید ۸ :

Hoeffding Bound

■یک متغییر تصادفی با نام r که دارای مقادیر حقیقی و برد R است را در نظر بگیرید .

■فرض کنید که n مشاهده مستقل از این متغیر انجام می‌دهیم .

■میانگین این مشاهدات :

■Hoeffding Bound نشان می‌دهد که میانگین واقعی متغیر r  بعد از این n مشاهده با احتمال ۱-δ حداقل برابر –ε       است که در آن : 

اسلاید ۹ :

چه تعداد نمونه کافی است ؟

■فرض کنید G(Xi)  روال ابتکاری برای انتخاب صفات آزمون باشد مانند بهره اطلاعاتی و شاخص جینی .

■فرض کنید که Xa  صفت دارای بالاترین مقدار ارزیابی بعد از n نمونه باشد .

■فرض کنید که Xb صفت دارای دومین بالاترین مقدار ارزیابی بعد از n نمونه باشد .

■آنگاه با یک δ مناسب اگر  بعد از مشاهده n نمونه :                                            آنگاه :

■گره می تواند بر حسب Xa شکافته شود و نمونه های بعدی به سمت برگهای جدید عبور داده می شوند .

اسلاید ۱۰ :

الگوریتم Hoeffding Tree

■Hoeffding Tree Input

■S: sequence of examples

■X: attributes

■G( ): evaluation function

■d : desired accuracy

■Hoeffding Tree Algorithm

■for each example in S

■  retrieve G(Xa) and G(Xb)   //۲ highest G(Xi)

■  if ( G(Xa) – G(Xb) > ε )

■  split on Xa

■  recurse to next node

■  break

مطالب فوق فقط متون اسلاید های ابتدایی پاورپوینت بوده اند . جهت دریافت کل ان ، لطفا خریداری نمایید .
PowerPointقابل ویرایش - قیمت 8900 تومان در 17 صفحه
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد