سه شنبه 29 خرداد 1397 | Tuesday 19 th of June 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
1-3-3 مهندسی الگوریتم و تعیین استراتژ ی های کاوش

تعداد الگوریتم های بسیار زیادی که در زیر هر کدام از متدها قرار می گیرند ، می توانند حتی برای افراد حرفه ای هم گیج کننده باشند. این نکته باید ذکر شود که همه ی این الگوریتم ها دارای تکنیک های پایه ای یکسانی هستند .

انواع مختلفی از الگوریتم های داده کاوی وجود دارند . مدل های مشهور ، از قوانین و درخت های تصمیم ، رگرسیون و کلاسه بندی غیر خطی ، متدهای مبتنی بر مثال (شامل متدهای نزدیکترن همسایه و استنتاج بر اساس مورد[1])، مدل های اماری (نظیر شبکه های بیز، تابع توزیع احتمال نرمال ، تابع توزیع احتمال x2و ...)و مدل های یادگیری رابطه ای (نظیر برنامه نویسی منطقی استنتاجی )، استفاده می کنند . لازم به ذکر است که هر تکنیک برای انواع مختلفی از مسایل بهتر از سایر تکنیک ها عمل می کند . برای مثال کلاسه بندی های درخت تقسیم برای پیدا کردن ساختار در فضاهای با ابعاد بالا و همچنین در مسایل با داده هایی که می توانند پیوسته یا طبقه بندی شده باشند، مفید خواهد بود(زیرامتدهای بر پایه ی درخت نیاز به فواصل متریک ندارند)، در حالی که این درخت ها برای مسایلی که نیاز به مرزبندی دقیق بین کلاس ها دارند ، مفید نمی باشد. بنابراین هیچ متد داده کاوی واحدی نمی تواند وجود داشته باشد و انتخاب یک الگوریتم مشخص برای کاربردهای ویژه نیاز به مهارتهای خاصی دارد.

درعمل به علت گستردگی ، پیچیدگی و حجم بسیار بالای داده های موجود برای یک کاربرد خاص نیاز به بهینه سازی انها ، دامنه متدهای مفید محدود شده است.

این مرحله یعنی اینکه مفیدتر است که برای یک منظور خاص و برروی یک سری داده های ویژ ه ، چه الگوریتمی اعمال شود که بهترین کارایی را برای ما داشته باشد؟



 

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26