ارائه رويكردي نوين يادگيري ماشين براي شناسايي و تجزيه و تحليل دانش پديده‌هاي استثنايي

A Novel Approach for Exceptional Phenomena Knowledge Detection and Analysis by Data mining

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.

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.