عنوان مقاله :
ارائه رويكردي نوين يادگيري ماشين براي شناسايي و تجزيه و تحليل دانش پديدههاي استثنايي
عنوان به زبان ديگر :
A Novel Approach for Exceptional Phenomena Knowledge Detection and Analysis by Data mining
پديد آورندگان :
حاجي گل يزدي، الهه دانشگاه يزد - دانشكده فني مهندسي - گروه مهندسي صنايع , عابسي، مسعود دانشگاه يزد - دانشكده فني مهندسي - گروه مهندسي صنايع , فخرزاد، محمدباقر دانشگاه يزد - دانشكده فني مهندسي - گروه مهندسي صنايع , حسيني نسب، حسن دانشگاه يزد - دانشكده فني مهندسي - گروه مهندسي صنايع
كليدواژه :
داده كاوي , پديدههاي استثنايي , تئوري استثنائات , رويكرد يادگيري پايين به بالا , تئوري اطلاعات
چكيده فارسي :
كشف پديدههاي استثنايي پنهان در حجم انبوهي از ركوردهاي موجود در پايگاه داده و استخراج دانش آنها در اين مطالعه مورد بررسي قرار گرفته است. پديدههاي استثنايي بهندرت رخ ميدهد و در حجم انبوهي از دادههاي عادي پنهاناند. دستيابي به دانش رفتاري اين پديدهها، ارزشمند و جذاب است. روشهاي موجود يادگيري، در هنگام پاكسازي پايگاه داده اغلب پديدههاي استثنايي را بهعنوان دادههاي پرت شناسايي كرده و از محاسبات خارج ميكند و يا اينكه بهدليل تمايل به كلّيت، قابليت شناسايي و دستهبندي درست اين پديدهها را ندارند. به همين دليل، ايجاد چارچوبي كارآمد براي كشف دانش و يادگيري رفتار پديدههاي استثنايي معدود كه در ميان انبوه ركوردهاي يك پايگاه داده مخفي هستند، حائز اهميت است. در اين پژوهش، با بهكارگيري تئوري استثنائات و تئوريهاي اطلاعات و دانهبندي اطلاعات نسبت به استخراج دانش رفتار پديدههاي استثنايي اقدام شده است. كارآيي روش پيشنهادي با درنظرگرفتن اطلاعات 30 ماهۀ سهام شركتهاي فعال در بازار اوراق بهادار ايران بهمنظور شناسايي و يادگيري رفتار سهام استثنايي، سنجيده ميشود.
چكيده لاتين :
Learning logic of exceptions is a substantial challenge in data mining and knowledge discovery. Exceptional phenomena detection takes place among huge records in a database which contains a large number of normal records and a few of exceptional ones. This is important to promote the confidence to a limited number of exceptional records for effective learning. In this study, a new approach based on the abnormality theory, information and information granulation theories are presented to detect exceptions and recognize their behavioral patterns. The efficiency of the proposed method was determined by using it to detect exceptional stocks from Iran stock market in a 30-month- period and learn their exceptional behavior. The proposed Enhanced-RISE algorithm (E-RISE) as a bottom-up learning approach was implemented to extract the knowledge of normal and exceptional behavior. The extracted knowledge was utilized to design an expert system based on the proposed abnormality theory to predict new exceptions from 6022 stocks. The superior findings show the results of this proposed approach in exceptional phenomena detection, is in accordance with experts' opinions.
عنوان نشريه :
پردازش علائم و داده ها
عنوان نشريه :
پردازش علائم و داده ها