كشف و يادگيري پديده هاي استثنايي با بكارگيري تئوري استثنائات و رضايتمندي

abnormal data detection and learning their behavior by abnormality and satisficing theory

منطق يادگيري از استثنائات چالش مهمي در حيطۀ داده كاوي و كشف دانش است. در اين پژوهش بر اساس تئوري استثنائات و رضايتمندي، الگويي نوين براي بهبود شايان توجه ميزان اعتماد و اطمينان به كشف و يادگيري از استثنائات ارائه مي‎شود. ابتدا به‎كمك رويكرد تلفيقي پيشنهادي بر اساس تئوري استثنائات، حدود رفتار نرمال و استثنايي داده ها مشخص مي‎شود و پس از آن با به‎كارگيري تئوري رضايتمندي، راه حل هاي رضايت بخش به‎دست مي‎آيد. استخراج دانش از داده هاي نرمال و استثنايي به‎كمك رويكرد يادگيري پايين به بالا و به‎كارگيري الگوريتم پيشنهادي RISE ارتقايافته صورت مي­گيرد. به‎منظور تعيين كارايي الگوي پيشنهادي، كشف سهام استثنايي در پايگاه اطلاعاتي بازار بورس ايران هدف قرار گرفت. برتري نتايج روش پيشنهادي با نتايج به‎دست‎آمده از به‎كارگيري ساير الگوريتم­هاي داده كاوي، روزنه اي براي توجه به رويكرد پيشنهاد شده است. همچنين با بهره‎مندي از شاخص g-means ميزان دقت اين روش سنجيده شد. نتايج نشان داد روش پيشنهادشده از قابليت شناسايي و يادگيري از داده هاي استثنايي برخوردار است.

Learning of abnormalities is a considerable challenge in data mining and knowledge discovery. Exceptional phenomena detect among huge records of the database which contains a large number of normal records and very few abnormal ones. This is important to promote confidence to a limited number of records for effective learning of abnormality. In this study, a new approach based on the abnormality theory and satisficing theory presented for confidence improvement of abnormal data detection and learning. First, the borders of abnormal and normal behavior clear using a combination approach based on abnormality theory then, satisfied solution extracted by means of satisficing theory. Modified RISE method as a bottomup learning approach implemented to extract Normal and abnormal knowledge. The efficiency of the proposed model determined by using it, for abnormal stock selection from the Iran stock market. The superior of the proposed method results toward the results of applying decision tree and support vector machine is considerable. Accuracy of proposed method measure by gmeans index. The results show the capability of proposed approach in abnormality detection and learning.