Coverage of exact decision rules

• Autorzy: Zielosko B.

Warianty tytułu

PL

Pokrycie dokładnych reguł decyzyjnych

• Języki publikacji: EN

Abstrakty

EN

In the paper, author proposes a heuristics based on dynamic programming algorithm for optimization of exact decision rules relative to coverage. There are two aims for the proposed algorithm: (i) study of coverage of rules and comparison with coverage of rules constructed by the dynamic programming algorithm, (ii) study of size of directed acyclic graph (the number of nodes and edges) and comparison with size of the graph constructed by the dynamic programming algorithm.

PL

W artykule zaproponowano heurystykę na podstawie algorytmu dynamicznego programowania dla optymalizacji dokładnych reguł decyzyjnych odnośnie do pokrycia. Celem przeprowadzonych badań jest: (i) zbadanie pokrycia reguł konstruowanych za pomocą proponowanego algorytmu oraz porównanie z pokryciem reguł konstruowanych za pomocą algorytmu dynamicznego programowania, (ii) zbadanie rozmiaru grafu (liczba węzłów i krawędzi w skierowanym grafie acyklicznym) skonstruowanego za pomocą proponowanego algorytmu oraz porównanie go z rozmiarem grafu skonstruowanego za pomocą algorytmu dynamicznego programowania.

Słowa kluczowe

EN

decision rule; coverage; dynamic programming algorithm

PL

reguła decyzyjna; pokrycie; algorytm dynamicznego programowania

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2013
• Tom: Vol. 34, nr 2A
• Strony: 251--262
• Opis fizyczny: Bibliogr. 12 poz.

Twórcy

autor

Zielosko B.

• King Abdullah University of Science and Technology, Computer, Electrical and Mathematical Sciences and Engineering Division, Thuwal, 23955-6900, Saudi Arabia
• University of Silesia, Institute of Computer Science, 39, Będzińska St., Sosnowiec, 41-200, Poland

Bibliografia

• 1. Alkhalid A., Amin T., Chikalov I., Hussain S., Moshkov M., Zielosko B.: Dagger: A tool for analysis and optimization of decision trees and rulet, [in:] Ficarra F. V. C. (ed.): Computational Informatics, Social Factors and New Information Technologies: Hypermedia Perspectives and Avant-Garde Experiences in the Era of Communicability Expansion. Blue Herons, Bergamo, Italy 2011, p. 29÷39.
• 2. Alsolami F., Chikalov I., Moshkov M., Zielosko B.: Optimization of inhibitory decision rules relative to length. Studia Informatica, Vol. 33, No. 2A (105), Gliwice 2012, p. 395÷406.
• 3. Amin T., Chikalov I., Moshkov M., Zielosko B.: Dynamic programming approach for exact decision rule optimization, [in:] Skowron A., Suraj Z. (eds.): Rough Sets and Intelligent Systems – Professor Zdzisław Pawlak in Memoriam. Intelligent Systems Reference Library, Vol. 42, Springer, 2013, p. 211÷228.
• 4. Ann A., Cercone N.: Rule quality measures improve the accuracy of rule induction: an experimental approach, [in:] Raś Z. W., Ohsuga S. (eds.): ISMIS 2000. LNCS, Vol. 1932, Springer, 2000, p. 119÷129.
• 5. Asuncion A., Newman D. J.: UCI Machine Learning Repository. 2007, http://www.ics. uci.edu/mlearn/.
• 6. Błaszczyński J., Słowiński R., Szeląg M.: Sequential covering rule induction algorithm for variable consistency rough set approaches. Information Science, Vol. 181, 2011, p. 987÷1002.
• 7. Dembczyński K., Kotłowski W., Słowiński R.: Ender: a statistical framework for boosting decision rules. Data Mining and Knowledge Discovery, Vol. 21, 2010, p. 52÷90.
• 8. Nguyen H. S: Approximate boolean reasoning: foundations and applications in data mining, [in:] Peters J. F., Skowron A. (eds.): T. Rough Sets. LNCS, Vol. 4100, Springer, 2006, p. 334÷506.
• 9. Pawlak Z., Skowron A.: Rough sets and boolean reasoning. Information Science, Vol. 177, 2007, p. 41÷73.
• 10. Sikora M., Wróbel Ł.: Data-driven adaptive selection of rules quality measures for improving the rules induction algorithm, [in:] Kuznetsov S. O., Ślęzak D., Hepting D. H., Mirkin B. (eds.): RSFDGrC 2011. LNCS, Vol. 6743, Springer, 2011, p. 278÷285.
• 11. Skowron A., Rauszer C.: The discernibility matrices and functions in information systems, [in:] Słowiński R. (ed.): Intelligent Decision Support, Handbook of Applications and Advances of the Rough Set Theory. Kluwer Academic Publishers, Dordrecht 1992, p. 331÷362.
• 12. Zielosko B., Moshkov M.: Approximate algorithm for β-decision rule optimization. Studia Informatica, Vol. 32, No. 2A (96), Gliwice 2011, p. 329÷335.