گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” درخت تصمیم گیری جهت دیتاماینینگ بر اساس حدود McDiarmid ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
درختان تصمیم گیری برای جریان های داده کاوی مبتنی بر کران McDiarmid |
| عنوان انگلیسی مقاله: |
Decision Trees for Mining Data Streams Based on the McDiarmid’s Bound |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2013 |
| تعداد صفحات مقاله انگلیسی | 8 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی صنایع |
| گرایش های مرتبط با این مقاله | داده کاوی |
| مجله | تراکنش ها در دانش و اطلاعات مهندسی – TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING |
| دانشگاه | موسسه هوش محاسباتی، دانشگاه تکنولوژی چستوچوا، لهستان |
| کلمات کلیدی | جریان داده ها، درخت های تصمیم گیری، محدوده Hoeffding، مرز McDiarmid، افزایش اطلاعات، شاخص جینی |
| شناسه شاپا یا ISSN | ISSN 1041-4347 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در سایت IEEE |
| نشریه آی تریپل ای |  |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 22 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| 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 |
- فهرست مطالب:
چکیده
1.مقدمه
1.1انگیزه و نتایج
1.2 درخت های تصمیم گیری برای داده های بدون جریان
1.3 درختان تصمیم گیری برای جریان داده و نابرابری Hoeffding
3.کران MCDIARMIDبرای بدست آوری اطلاعات
4.کران MCDIARMIDبرای شاخص Gini
5. الگوریتم درخت MCDIARMID
6. نتایج تجربی
7. سخن آخر
- بخشی از ترجمه:
6. نتایج تجربی
به منظور ارزیابی عملکرد الگوریتم درخت McDiarmid ، چند شبیه سازی انجام شده است. از آنجا کهϵ برای Gini بدست آمده بسیار سریعتر نسبت به افزایش اطلاعات به سمت صفر میل می کند،بدست آوری Gini تنها در تجربیات زیر در نظر گرفته می شود. داده ترکیبی ، مورد استفاده قرار گرفته است، بر روی اساس درخت های تصمیم گیری ترکیبی تولید شده است. این درختان ترکیبی باهمان روش تشریح شده در [6] ساخته شده است.در هر سطح از درخت، پس از اولین سطح Lmin، هر گره توسط یک برگ با احتمالw جایگزین می گردد. برای بقیه گره ها یک ویژگی تقسیم به صورت تصادفی اختصاص داده شده است. یک ویژگی که قبلا در مسیر از ریشه به گره در مورد نظر رخ نداده بود.حداکثر عمق درخت ترکیبی Lmax می باشد.در این سطح تمام گره ها توسط برگ ها جایگزین می شوند. پس از آن تمام درخت ساخته می شود، به هر یک برگ یک کلاس به صورت تصادفی اختصاص داده می شود. هر درخت ترکیبی نشان دهنده یک مفهوم داده ای متفاوت می باشد
- بخشی از مقاله انگلیسی:
6 EXPERIMENTAL RESULTS
To evaluate the performance of the McDiarmid Tree algorithm, several simulations were conducted. Since for the Gini gain tends to zero much faster than for the information gain, only the Gini gain is considered in the following experiments. Synthetic data were used, generated on a basis of synthetic decision trees. These synthetic trees were constructed in the same way as described in [6]. At each level of the tree, after the first Lmin levels, each node is replaced by a leaf with probability !. To the rest of nodes a splitting attribute is randomly assigned; it has to be an attribute which has not already occurred in the path from the root to the considered node. The maximum depth of the synthetic tree is Lmax (at this level all nodes are replaced by leaves). After the whole tree is constructed, to each leaf a class is randomly assigned. Each synthetic tree represents a different data concept. Data concept is a particular distribution of attributes values and classes.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
درخت های تصمیم گیری جهت جریان دیتاماینینگ بر اساس حدود McDiarmid |
| عنوان انگلیسی مقاله: |
Decision Trees for Mining Data Streams Based on the McDiarmid’s Bound |
|
|