Hybrid Data Exploration Methods to Prediction Tasks Solving

• Autorzy: Sikora M. , Kozielski M.

Warianty tytułu

PL

Hybrydowe metody eksploracji danych w Rozwiązywaniu zadań predykcyjnych

• Języki publikacji: EN

Abstrakty

EN

The paper presents the data exploration issue in a context of the prediction tasks solution. There arę presented three methodologies of data models construction in the paper. The methodologies are used to solve the prediction tasks. They also deliver an easily interpretable knowledge about the modeled process. The methodologies, called hybrid methods, combine analytical algorithms (clustering, rules induction) and optimization algorithms (genetic algorithms, error backpropagation). The paper presents also a method of a data transformation between the temporal data representation and the data representation acceptable. for algorithms using learning by examples paradigm. The paper presents also the results of the experiments performed on the benchmark data and the data obtained from a methane concentration monitoring system in a coal mine.

PL

W artykule przedstawiono problem eksploracji danych w kontekście realizacji zadań związanych z predykcją. Przedstawiono i porównano trzy metodologie uzyskiwania modeli danych, które poza tym, że wykorzystywane są do rozwiązywania zadań predykcyjnych dostarczają również stosunkowo łatwo interpretowalnej wiedzy o opisywanym procesie. Przedstawione metodologie łączą algorytmy analityczne (grupowanie danych, indukcja reguł) z metodami optymalizacji (algorytmy genetyczne, wsteczna propagacja błędu) stąd nazwa metody hybrydowe. W artykule omówiono również metodę przejścia z temporalnej reprezentacji danych na reprezentację akceptowalną przez algorytmy wykorzystujące paradygmat uczenia na podstawie przykładów. Na zakończenie przedstawiono wyniki eksperymentów przeprowadzonych na zbiorze danych benchmarkowych oraz na zbiorze pochodzącym z bazy danych systemu monitorującego wydzielanie metanu w kopalniach.

Słowa kluczowe

EN

genetic algorithms; data exploration

• Wydawca: Instytut Informatyki Teoretycznej i Stosowanej Polskiej Akademii Nauk
• Czasopismo: Theoretical and Applied Informatics
• Rocznik: 2006
• Tom: Vol. 18, nr 1
• Strony: 57--74
• Opis fizyczny: Bibliogr. 20 poz., rys.

Twórcy

autor

Sikora M.

autor

Kozielski M.

• Silesian University of Technology, Institute of Informatics 44-100 Gliwice, 16 Akademicka Rd., Poland

Bibliografia

• [1]  Bezdek J.C.: Pattern recognition with fuzzy objective function algorithms. Plenum Press, NY 1982.
• [2]  Bezdek J.C., et al: Convergence theory for fuzzy c-means: counterexamples and repairs. IEEE Trans. SMC, Y.17, No5, 873-877, 1987.
• [3]  Box G. E. P., Jenkins G. M.: Time series analysis: forecasting and control. Prentice Hall, New Jersey, 3 edition, 1994.
• [4] Breiman L., Friedman J.H., Olshen R.A., Stone C. J.: Classification and Regression Trees. Wadsworth, Belmont CA, 1994.
• [5]  Czogała E., Leski J.: Fuzzy and Neuro-Fuzzy Intelligent Systems. Studies in Fuzziness
• and Soft Computing vol. 47. Springer-Verlag Company 2000.
• [6]  Goldberg D. E.: Genetics algorithms in search, optimization and machine learning. Addison-Wesley Publishing Company, USA, 1989.
• [7]  Grzymała-Busse J. W.: Lers - a system for learning from examples based on rough sets. Słowiński (ed.). Intelligent Decision Support: Handbook of Applications and Advances of the Rough Sets Theory. Kluwer Academic Publishers, pp.3-18, 1992.
• [8] Jain A., Dubes R.C.: Algorithms for clustering data. Prentice-Hall, NJ 1988.
• [9]  Koronacki J., Mielniczuk J.: Statistics for technical and natural faculties. WNT, W-wa, 2001(in Polish).
• [10] Oh S. K., Pedrycz W., Park H. S.: Rules based multi-FNN identification with the aid of evolutionary fuzzy granulation. Knowledge-Based Systems, 17, str. 1-13, 2004.
• [ll]Osowski S.: Neural networks in algorithmic view. WNT, Warszawa 1996 (in Polish). [12]Quinlan R.: C4.5 Programs for Machine Learning. Morgan Kaufman Publishers, San Mateo, California, 1992.
• [13]Quinlan R.: Combining instance-based learning and model-based learning. Proc of the Tenth International Conference on Machine Learning (ML-93), 1993.
• [14]Quinlan J. R.: Learning with continuous classes. Proc. of the International Conference on Artificial Intelligence (AF92), Singapore, World Scientific, 1992.
• [15] Sikora M., Kozielski M.: Application of hybrid data exploration methods to prediction tasks (in Polish). Materiały konferencji Technologie Przetwarzania Danych. Politechnika Poznańska. Poznań, Wrzesień 2005.
• [16]Stefanowski J.: Rules induction algorithms in knowledge discovery. Praca habilitacyjna. Politechnika Poznańska, Seria rozprawy nr 361, 2001.
• [17]Tadeusiewicz R.: Neural Network. Akademicka Oficyna Wydawnicza RM, Warszawa 1993 (in Polish).
• [18]Wang L.-X.: Adaptive Fuzzy Systems and Control. Design and Stability Analysis. Prentice Hall,N.Y.,1994.
• [19]Zadeh L.A.: Fuzzy Sets. Information and Control, Vol. 8, 1965.
• [20] Yager R. R., Filev D. P.: Essential of Fuzzy Modelling and Control. John Wiley & Sons, Inc., 1994.