Предыдущая работа

Решение алгоритм дерева могут быть реализованы как в последовательной и параллельной форме. Он основан на объеме данных, свободной памяти, доступной на компьютере ресурса и масштабируемости алгоритма.C4.5, ID3, алгоритмы деревьев CART решения применяются на данных студентов прогнозировать их эффективность. Эти алгоритмы описаны ниже:

ID3 Алгоритм (Iterative Dichotomiser 3)

Iterative Dichotomiser 3 является простое решение дерево алгоритм обучения введена в 1986 году Quinlan Ross. Он последовательно реализуется и на основе алгоритма Ханта. Для построения дерева решений в алгоритме ID3, сверху вниз подход и жадный поиск используется через заданные наборы для тестирования каждый атрибут в каждом узле дерева. ID3 использует информационные усиления меру выбрать атрибут расщепления. Он принимает только групповыми атрибутами в построении модели дерева. Это не дает точный результат, когда есть помехи. Таким образом, интенсивный предварительная обработка данных осуществляется прежде, чем строить модель дерева принятия с ID3.

C4.5 Алгоритм

Это улучшение алгоритма ID3 разработан Quilan Ross в 1993 году на основе алгоритма Ханта, а также как ID3, она последовательно реализуется. Обрезка происходит в C4.5, заменив внутреннюю узел с узлом листа тем самым снижая частоту ошибок. Он принимает как непрерывных и групповыми атрибутами в строительстве дерево решений. Он имеет повышенную метод дерева обрезку, что снижает ошибки неправильных классификаций за шума и слишком много деталей в наборе данных обучения. Как ID3 данные сортируются на каждом узле дерева для того, чтобы определить наилучший атрибут расщепления. Он использует усиления метод соотношение примесей, чтобы оценить атрибут расщепления.

Cart Алгоритм

Она выступает за классификационных и регрессии деревьев и был введен Бреймана в 1984.Он строит обе классификации и регрессии деревья. Строительство дерево классификации по CART основан на двоичном расщепления атрибутов. Кроме того, на основании алгоритма Ханта и могут быть реализованы последовательно. Он использует индекс Джини Отцепление в выборе атрибута расщепления. CART является уникальным с алгоритма, основанного другого Ханта, как его еще использовать для регрессионного анализа с помощью регрессии деревьев. Функция регрессионный анализ используется при прогнозировании зависимую переменную данный набор предикторов в течение определенного периода времени.

Sliq Алгоритм

Она выступает за обучения с учителем в поиске. Оно было введено Мехта соавторстве (1996). Это быстрый масштабируемый алгоритм дерева решений, которые могут быть реализованы в последовательной и параллельной рисунком. Она не основана на HUNT’S 'S алгоритма Охота за классификации дерева решений. Это разбивает учебных набор данных рекурсивно используя в ширину жадный стратегию, которая интегрирована с предварительной сортировки технику на этапе построения дерева. Первый метод, используемый в SliQ является реализовать схему, которая устраняет необходимость сортировать данные в каждом узле дерева решений. В построении модели дерева решений SLIQ обрабатывает как числовые и групповыми атрибутами (Rissanem, 2010). Сортировка данных требуется найти раскол для числовых атрибутов. Рисунок иллюстрирует состояние структур данных до и после предварительной сортировки.

SLIQ Алгоритм

- Оценка расколов ()

- для каждого атрибута А делать

- пройти список атрибут для А

- для каждого значения V в списке атрибутов делать

- найти соответствующую запись в списке класса, и

- Отсюда соответствующий класс и листовой узел (назовем л)

- обновить гистограмму класса в листовой л

- если А это числовой атрибут, то

- Индекс вычисляют расщепления теста (А<= V) для листьев л

- если А это категорический атрибут тогда

- для каждого листа дерева делать

- найти подмножество А с самым лучшим раскола

Реализация модели интеллектуального анализа данных

Алгоритм SLIQ реализуется в WEKA (Waikato Environment for Knowledge Analysis) инструмента. Он содержит набор инструментов визуализации и алгоритмов для анализа данных и прогнозного моделирования для легкого доступа. Он реализован на языке программирования JAVA и может работать практически на любой современный вычислительную платформу. В этом классифицировать панели позволяет пользователю применять классификации и регрессии алгоритмов в наборе данных оценки точности полученной модели. В моей исследовательской работы, я беру набор данных 600 студентов из рассматривая входные параметры как: - имя, рег. ном., их открытое предмет по выбору, промежуточные знаки, окончательные знаки, выбор OE (Outlook Express), опрос должен быть там? Да или нет, предложение о опроса: - если да, то почему, и если нет, то почему? Есть 9 OE предметы и из-за ограниченных листов, большинство студентов не получают их собственный выбор предмета. Это может быть эффект от их производительности в экзамене. Так что мой вывод будет выйти, чтобы быть как студенты выполняют в соответствии с выбором их предпочтения.