فایل ورد کامل درختان تصمیم گیری برای جریان های داده کاوی مبتنی بر کران McDiarmid

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل درختان تصمیم گیری برای جریان های داده کاوی مبتنی بر کران McDiarmid،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۵ صفحه

۶ نتایج تجربی
به منظور ارزیابی عملکرد الگوریتم درخت McDiarmid ، چند شبیه سازی انجام شده است. از آنجا که برای
Gini بدست آمده بسیار سریعتر نسبت به افزایش اطلاعات به سمت صفر میل می کند،بدست آوری Gini تنها در تجربیات زیر در نظر گرفته می شود. داده ترکیبی ، مورد استفاده قرار گرفته است، بر روی اساس درخت های تصمیم گیری ترکیبی تولید شده است. این درختان ترکیبی باهمان روش تشریح شده در [۶] ساخته شده است.در هر سطح از درخت، پس از اولین سطح Lmin، هر گره توسط یک برگ با احتمالw جایگزین می گردد. برای بقیه گره ها یک ویژگی تقسیم به صورت تصادفی اختصاص داده شده است. یک ویژگی که قبلا در مسیر از ریشه به گره در مورد نظر رخ نداده بود.حداکثر عمق درخت ترکیبی Lmax می باشد.در این سطح تمام گره ها توسط برگ ها جایگزین می شوند. پس از آن تمام درخت ساخته می شود، به هر یک برگ یک کلاس به صورت تصادفی اختصاص داده می شود. هر درخت ترکیبی نشان دهنده یک مفهوم داده ای متفاوت می باشد

عنوان انگلیسی:Decision Trees for Mining Data Streams Based on the McDiarmid’s Bound~~en~~

۶ EXPERIMENTAL RESULTS

To evaluate the performance of the McDiarmid Tree algorithm, several simulations were conducted. Since for the Gini gain tends to zero much faster than for the information gain, only the Gini gain is considered in the following experiments. Synthetic data were used, generated on a basis of synthetic decision trees. These synthetic trees were constructed in the same way as described in [6]. At each level of the tree, after the first Lmin levels, each node is replaced by a leaf with probability !. To the rest of nodes a splitting attribute is randomly assigned; it has to be an attribute which has not already occurred in the path from the root to the considered node. The maximum depth of the synthetic tree is Lmax (at this level all nodes are replaced by leaves). After the whole tree is constructed, to each leaf a class is randomly assigned. Each synthetic tree represents a different data concept. Data concept is a particular distribution of attributes values and classes.

$$en!!