فایل ورد کامل Sprint: یک طبقه بندی موازی مقیاس پذیر برای داده کاوی

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 Sprint: یک طبقه بندی موازی مقیاس پذیر برای داده کاوی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۴ صفحه

۵ نتیجه گیری
با ظهور اخیر زمینه داده کاوی، نیاز زیادی برای الگوریتمها به منظور ایجاد طبقه بندی کننده هایی وجود دارد که می توانند پایگاههای داده بسیار بزرگ را کنترل نمایند. الگوریتم SLIQ که اخیرا پیشنهاد شده اولین الگوریتمی بود که در این ارتباط بیان شد. متاسفانه، به دلیل استفاده از ساختار داده ی ساکن در حافظه که با اندازه مجموعه آموزشی مقیاس بندی می شود، حتی SLIQ نیز محدودیت بالایی برای تعداد رکوردهایی که می تواند پردازش کند، دارد.
در این مقاله، ما یک الگوریتم طبقه بندی کننده جدید به نام SPRINT را ارائه کردیم که همه محدودیتهای حافظه موجود در الگوریتم های درخت تصمیم حذف می کند و هنوز هم رفتار مقیاس بندی عالی مشابه مانند SLIQ نشان می دهد. با اجتناب از نیاز برای هر گونه ساختار داده ساکن در حافظه، متمرکز ، SPRINT به طور موثری به طبقه بندی مجموعه داده های مجازی با هر اندازه ای اجازه می دهد. اهداف طراحی ما همچنین این نیاز را شامل می شود که الگوریتم به راحتی و به طور موثر قابل موازی سازی باشد. SPRINT موازی سازی موثری ندارد که نیازمند افزایش های اندکی به الگوریتم های مجموعه ای می باشد.

عنوان انگلیسی:SPRINT: A Scalable Parallel Classifier for Data Mining~~en~~

۵ Conclusion

With the recent emergence of the field of data mining, there is a great need for algorithms for building classifiers that can handle very large databases. The recently proposed SLIQ algorithm was the first to address these concerns. Unfortunately, due to the use of a memory-resident data structure that scales with the size of the training set, even SLIQ has an upper limit on the number of records it can process. In this paper, we presented a new classification algorithm called SPRINT that removes all memory restrictions that limit existing decision-tree algorithms, and yet exhibits the same excellent scaling behavior as SLIQ. By eschewing the need for any centralized, memory-resident data structures, SPRINT efficiently allows classification of virtually any sized dataset. Our design goals also included the requirement that the algorithm be easily and efficiently parallelizable. SPRINT does have an efficient parallelization that requires very few additions to the serial algorithm.

$$en!!