دانلود رایگان ترجمه مقاله استنتاج درختان تصمیم گیری با الگوریتم بهینه سازی کلونی مورچه ها (نشریه الزویر ۲۰۱۲) (ترجمه ارزان – نقره ای ⭐️⭐️)

elsev333

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۱۲ صفحه در سال ۲۰۱۲ منتشر شده و ترجمه آن ۳۷ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

استنتاج درختان تصمیم گیری با یک الگوریتم بهینه سازی کولونی مورچه

عنوان انگلیسی مقاله:

Inducing decision trees with an ant colony optimization algorithm

 
 
 
 
 

 

مشخصات مقاله انگلیسی
فرمت مقاله انگلیسی pdf 
سال انتشار ۲۰۱۲
تعداد صفحات مقاله انگلیسی ۱۲ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی صنایع
گرایش های مرتبط با این مقاله بهینه سازی سیستم ها، برنامه ریزی و تحلیل سیستم ها
چاپ شده در مجله (ژورنال) محاسبات نرم کاربردی – Applied Soft Computing
کلمات کلیدی بهینه سازی کولونی مورچه، داده کاوی، طبقه بندی، درخت تصمیم گیری
کلمات کلیدی انگلیسی Ant colony optimization – Data mining – Classification – Decision tree
ارائه شده از دانشگاه دانشکده محاسبات، دانشگاه کنت، انگلستان
نمایه (index) Scopus – Master Journals – JCR
شناسه شاپا یا ISSN ۱۵۶۸-۴۹۴۶
شناسه دیجیتال – doi https://doi.org/10.1016/j.asoc.2012.05.028
ایمپکت فاکتور(IF) مجله ۶٫۰۳۱ در سال ۲۰۱۹
شاخص H_index مجله ۱۱۰ در سال ۲۰۲۰
شاخص SJR مجله ۱٫۲۱۶ در سال ۲۰۱۹
شاخص Q یا Quartile (چارک) Q1 در سال ۲۰۱۹
بیس  نیست 
مدل مفهومی  ندارد 
پرسشنامه  ندارد 
متغیر  ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول F1700
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ترجمه ارزان – نقره ای ⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۳۷ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است  
ترجمه متون داخل تصاویر ترجمه شده است 
ترجمه متون داخل جداول ترجمه شده است 
ترجمه ضمیمه ندارد 
ترجمه پاورقی ندارد 
درج تصاویر در فایل ترجمه درج شده است 
درج جداول در فایل ترجمه درج شده است 
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن به صورت عدد درج شده است  
منابع انتهای متن به صورت انگلیسی درج شده است  
کیفیت ترجمه کیفیت ترجمه این مقاله پایین میباشد.

 

فهرست مطالب

چکیده
۱- مقدمه
۲- پیش زمینه
۲-۱- استنتاج بالا به پایین درختان تصمیم گیری
۲-۲- بهینه سازی کلونی مورچه
۲-۳- کار مرتبط روی الگوریتم های ACO برای استنتاج ساختارهای درخت
۳- رویکرد کلونی پیشنهادی مورچه ها برای استنتاج درخت تصمیم گیری
۳-۱- گراف ساخت
۳-۲- اطلاعات اکتشافی
۳-۳- ساخت راه حل
۳-۴- هرس
۳-۵- نمایندگی ماتریس فرمون
۳-۶- به روز رسانی فرمون
۴- نتایج محاسباتی
۴-۱- راه اندازی آزمایشی
۴-۲- بحث
۴-۳- مقایسه الگوریتم Ant-Tree-Miner و نمی تونم-MinerPB
۵- نتیجه گیری ها

 

 

بخشی از ترجمه
 چکیده
درختان تصمیم گیری به طور گسترده ای در داده کاوی و یادگیری ماشین به عنوان یک ارائه دانش قابل درک استفاده شده است. در حالی که الگوریتم های بهینه سازی کلونی مورچه (ACO) با موفقیت برای استخراج قوانین طبقه بندی استفاده شده است، استنتاج درخت تصمیم گیری با الگوریتم های ACO هنوز حوزه تحقیقات تقریبا ناشناخته باقی مانده است. در این مقاله ما یک الگوریتم ACO جدید برای استنتاج درختان تصمیم گیری را با ترکیب استفاده شده ترین استراتژی های معمول از هر دو الگوریتم های استنتاج درخت تصمیم گیری سنتی و ACO پیشنهاد می کنیم. الگوریتم پیشنهادی در برابر سه الگوریتم استنتاجی درخت تصمیم گیری مقایسه می شود، یعنی C4.5، CART و cACDT، در ۲۲ مجموعه داده های در دسترس عموم. نتایج نشان داد که دقت پیش بینی کننده الگوریتم پیشنهادی از نظر آماری معنادار, بالاتر از دقت و صحت هر دوی C4.5 و CART است که الگوریتم های معمولی شناخته شده برای استنتاج درخت تصمیم گیری، و دقت الگوریتم درخت تصمیم گیری cACDT ACO است.
 
۱- مقدمه
یکی از مهمترین کارهای داده کاوی مورد مطالعه در ورودی های مختلف, وظیفه طبقه بندی [۱۵،۲۹] است. در اصل، وظیفه طبقه بندی شامل یادگیری یک رابطه پیش بینی کننده بین مقادیر ورودی و یک یک خروجی مورد نظر می شود. هر مثال (نمونه یا ثبت داده ها) توسط یک مجموعه ای از ویژگی های (صفات)–به نام صفات پیش بینی کننده- و یک صفت کلاس توصیف می شود. با توجه به مجموعه ای از نمونه ها، هدف از یک الگوریتم طبقه بندی, ایجاد یک مدل است که نشان دهنده ارتباط بین مقادیر صفات پیش بینی کننده و مقادیر کلاس (برچسب ها) می باشد و قادر به پیش بینی برچسب کلاس یک مثال جدید (نهان) بر اساس مقادیر صفات پیش بینی کننده آن است. مشکلات طبقه بندی را می توان به عنوان مسائل بهینه سازی در نظر گرفت که در آن هدف, پیدا کردن بهترین تابع (مدل) است که نشان دهنده روابط پیش بینی کننده در داده ها است.

 

بخشی از مقاله انگلیسی

Abstract

Decision trees have been widely used in data mining and machine learning as a comprehensible knowledge representation. While ant colony optimization (ACO) algorithms have been successfully applied to extract classification rules, decision tree induction with ACO algorithms remains an almost unexplored research area. In this paper we propose a novel ACO algorithm to induce decision trees, combining commonly used strategies from both traditional decision tree induction algorithms and ACO. The proposed algorithm is compared against three decision tree induction algorithms, namely C4.5, CART and cACDT, in 22 publicly available data sets. The results show that the predictive accuracy of the proposed algorithm is statistically significantly higher than the accuracy of both C4.5 and CART, which are well-known conventional algorithms for decision tree induction, and the accuracy of the ACO-based cACDT decision tree algorithm.

 

۱ Introduction

One of the most studied data mining tasks in the literature is the classification task [15,29]. In essence, the classification task consists of learning a predictive relationship between input values and a desired output. Each example (data instance or record) is described by a set of features (attributes)—referred to as predictor attributes—and a class attribute. Given a set of examples, a classification algorithm aims at creating a model, which represents the relationship between predictor attributes values and class values (labels), and which is able to predict the class label of a new (unseen) example based on the values of its predictor attributes. Classification problems can be viewed as optimisation problems, where the goal is to find the best function (model) that represents the predictive relationships in the data.

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

استنتاج درختان تصمیم گیری با یک الگوریتم بهینه سازی کولونی مورچه

عنوان انگلیسی مقاله:

Inducing decision trees with an ant colony optimization algorithm

 
 
 
 
 

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.