Eksploracja wiedzy a efektywność systemów wspomagania decyzji

• Autorzy: Nowak-Brzezińska A.

Warianty tytułu

EN

Data mining and an efficiency of decision suppert systems

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia wyniki analizy efektywności systemów wspomagania decyzji, a zwłaszcza wpływu metod eksploracji wiedzy na tę efektywność. Okazuje się, że metody analizy skupień pozwalają w sposób znaczący tę efektywność poprawić. W artykule można znaleźć porównanie efektywności procesów wnioskowania, realizowanych w przypadkach baz wiedzy o różnej reprezentacji: klasycznej oraz wzbogaconej analizą skupień bądź tzw. częściowymi regułami decyzyjnymi. Zbadano także skuteczność różnych miar podobieństwa (względnie odległości) w kontekście ich wpływu na efektywność systemów wspomagania decyzji, będących przedmiotem analizy niniejszego artykułu.

EN

The paper presents the results of the experiments in which an efficiency of decision support systems is analyzed. During the research it was noted that the most influenced on such efficiency is the method of representation of knowledge base. Following approaches are considered due to experiments: rules knowledge base with clusters of decision rules, rules knowledge base with partial decision rules and rules knowledge base with clusters of partial decision rules. The efficiency of choosing the best similarity measure is also analyzed.

Słowa kluczowe

PL

system wspomagania decyzji; analiza skupień; regułowe bazy wiedzy

EN

decision support system; cluster analysis; rules knowledge bases

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2011
• Tom: Vol. 32, nr 2A
• Strony: 403--416
• Opis fizyczny: Bibliogr. 12 poz.

Twórcy

autor

Nowak-Brzezińska A.

• Uniwersytet Śląski, Instytut Informatyki, Wydział Informatyki i Nauki o Materiałach, ul. Będzińska 39, 4ń-200 Sosnowiec,

Bibliografia

• 1. Kaufman L., Rousseeuw P.J.: Finding Groups in Data: An Introduction to Cluster Analysis. John Wiley Sons, New York 1990.
• 2. Koronacki J., Ćwik J. Statystyczne systemy uczące się. WNT, Warszawa 2005.
• 3. Nowak A., Wakulicz-Deja A., Bachliński S.Ś Optimization of Speech Recognition by Clustering of Phones. Fundamenta Informaticae 72, IOS Press, 2006, s. 283÷293.
• 4. Nowak A., Simiński R., Wakulicz-Deja A.: Towards modular representation of knowledge base. Springer-Verlag Berlin Heidelberg – Advances in Soft Computing, 2006, s. 421÷428.
• 5. Salton G.: Automatic Information Organization and Retreival. McGraw-Hill, New York 1975.
• 6. Jardine N., van Rijsbergen C. J.: The use of hierarchic clustering in information retrieval. Inforamtion Storage and Retrieval 7, s. 217÷241.
• 7. Nowak A., Zielosko B.: Inference Processes on Clustered Partial Decision Rules. Recent Advances In Intelligent Information Systems, Springer-Verlag, Advances In Soft Computing, Academic Publishing House EXIT, 2009, s. 579÷588.
• 8. Nowak A., Zielosko B.: Clustering of partial decision rules. Advanced In Intelligent and Soft Computing, Man-Machine Interactions, Springer-Verlag, 2009, s. 183÷190.
• 9. Nowak A.Ś Złożone bazy wiedzyŚ struktura i procesy wnioskowania. Rozprawa doktorska, Uniwersytet Śląski, Katowice 2009.
• 10. Nowak-Brzezińska A., Wakulicz-Deja A.Ś Wybór miary podobieństwa a efektywność grupowania reguł w złożonych bazach wiedzy. Studia Informatica, Wyd. Pol. Śląskiej, Vol. (31), No. 2A (89), 2010, s. 189÷202.
• 11. Moshkov M., Piliszczuk M., Zielosko B.: Partial covers, reducts and decision rules in rough sets. Theory and aaplications. Springer Verlag, Studies in Computational Intelligence, Vol. 145, 2008.
• 12. UC Irvine Machine Learning Repository: http://archive.ics.uci.edu/ml/.