Klasyfikacja danych z wykorzystaniem zmodyfikowanego podejścia opartego na dynamicznym programowaniu

• Autorzy: Zielosko B. , Żabiński K.

Warianty tytułu

EN

Data classification based on modified dynamic programming approach

• Języki publikacji: PL

Abstrakty

PL

Artykuł stanowi kontynuację badań dotyczących zmodyfikowanego algorytmu dynamicznego programowania dla optymalizacji reguł decyzyjnych względem pokrycia. Praca przedstawia wyniki eksperymentalne dotyczące regułowego klasyfikatora, dla zbiorów danych umieszczonych w Repozytorium Uczenia Maszynowego.

EN

The article is a continuation of research connected with a modified dy-namic programming algorithm for optimization of decision rules relative to coverage. The paper contains experimental results for rule based classifier using data sets from UCI Machine Learning Repository.

Słowa kluczowe

PL

programowanie dynamiczne; rozszerzenie; reguły decyzyjne; pokrycie; klasyfikator regułowy

EN

dynamic programming; approach; decision rules; coverage; rule-based classifier

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2017
• Tom: Vol. 38, nr 2
• Strony: 45--54
• Opis fizyczny: Bibliogr. 13 poz.

Twórcy

autor

Zielosko B.

• Uniwersytet Śląski w Katowicach, Instytut Informatyki, ul. Będzińska 39, 41-200 Sosnowiec, Polska

autor

Żabiński K.

• Uniwersytet Śląski w Katowicach, Instytut Informatyki, ul. Będzińska 39, 41-200 Sosnowiec, Polska

Bibliografia

• 1. Ann A., Cercone N.: Rule quality measures improve the accuracy of rule induction: an experimental approach. [w:] Raś Z. W., Ohsuga S. (red.): ISMIS 2000, LNCS, Vol. 1932, Springer, 2000, s. 119÷129.
• 2. Asuncion A., Newman D.J.: UCI Machine Learning Repository. University of Califor-nia, Irvine, School of Information and Computer Sciences, 2007, http://www.ics.uci. edu/~mlearn/ (dostęp grudzień 2016).
• 3. Bazan J., Szczuka M.: The rough set exploration system. [w:] Peters J. F., Skowron A. (red.): Transactions on Rough Sets III, LNCS, Vol. 3400, Springer, 2005, s. 37÷56.
• 4. Malara W., Sikora M., Wróbel Ł.: Program do indukcji i oceny reguł klasyfikacyjnych, zintegrowany z pakietem R. Studia Informatica, Vol. 34, No. 2B, Wydawnictwo Poli-techniki Śląskiej, Gliwice 2013, s. 339÷352.
• 5. Moshkov M., Zielosko B.: Combinatorial Machine Learning – A Rough Set Approach. Studies in Computational Intelligence, Vol. 360, Springer, Heidelberg 2011.
• 6. Nowak-Brzezińska A.: KBEXPLORATOR a inne narzędzia eksploracji regułowych baz wiedzy. Studia Informatica, Vol. 36, No. 1, Wydawnictwo Politechniki Śląskiej, Gliwice 2015, s. 75÷88.
• 7. Pawlak Z., Skowron A.: Rough sets and Boolean reasoning. Information Science, Vol. 177, 2007, s. 41÷73.
• 8. Sikora M., Wróbel L.: Data-driven adaptive selection of rule quality measures for im-proving rule induction and filtration algorithms. Int. J. General Systems, Vol. 42(6), 2013, s. 594÷613.
• 9. Simiński R.: Biblioteka KBExpertLib dla języka Java – właściwości funkcjonalne i ba-dania wydajnościowe. Studia Informatica, Vol. 37, No. 1, Wydawnictwo Politechniki Śląskiej, Gliwice 2016, s. 125÷134.
• 10. Stańczyk U.: Selection of decision rules based on attribute ranking. Journal of Intelli-gent and Fuzzy Systems, Vol. 29(2), 2015, s. 899÷915.
• 11. Stefanowski J., Vanderpooten D.: Induction of decision rules in classification and dis-covery-oriented perspectives. Int. J. Intell. Syst., Vol. 16(1), 2001, s. 13÷27.
• 12. Zielosko B., Moshkov M.: Approximate algorithm for -decision rule optimization. Studia Informatica, Vol. 32, No. 2A(96), Wydawnictwo Politechniki Śląskiej, Gliwice 2011, s. 329÷335.
• 13. Zielosko B.: Optimization of Approximate Decision Rules Relative to Coverage. BDAS 2014, CCIS, Vol. 424, Springer, 2014, s. 170÷179.