ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > Improving Analogy Learning Per...>الوصف

Improving Analogy Learning Performance by Reduce Computation Time

المصدر: مجلة القلزم العلمية
الناشر: مركز بحوث ودراسات دول حوض البحر الأحمر
المؤلف الرئيسي: Salieam, Hiba Mohamed Sulieman (Author)
المجلد/العدد: ع18
محكمة: نعم
الدولة: السودان
التاريخ الميلادي: 2022
الشهر: أبريل
الصفحات: 277 - 288
ISSN: 1858-9766
رقم MD: 1248297
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: HumanIndex
مواضيع:
تكنولوجيا المعلومات | التعلم التناظري | الخوارزميات
كلمات المؤلف المفتاحية:
التعلم التناظري | تنقيب البيانات | تقنية تصنيف الكائنات | شبكات بايسون | هيكلية Dag | Classification Technique | Bayesian Network | Analog Learning | DAG Structure
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

1

حفظ في:
المستخلص: التعلم التناظري هو واحد من أبسط تقنيات التصنيف في التنقيب عن البيانات، وهي تعتمد في تصنيف الكائنات على تخزين مجموعة البيانات أولا وعندما تحصل على بيانات جديدة يتم تصنيفها إلى فئة تشبه إلى حد كبير البيانات الجديدة. وتتنبأ بفئة الكائن الجديد عن طريق حساب مسافة بين هذا الكائن وكل عينة في مجموعة البيانات التدريب. عند العمل على مجموعة بيانات كبيرة تكون مكلفة لأنها تأخذ الكثير من الوقت في التحسيب، ولذلك كان لابد من تحسين أداء هذه الخوارزمية، حيث قامت كثير من الجهود لتحسين أداء هذه الخوارزمية اعتمادا على مفاهيم مختلفة. وفي هذه الورقة قام الباحث بتحسين أداء خوارزمية knn التي تعتمد على Analogy learning وذلك باتباع استراتيجيتين هما نطاقات الحد الأدنى والأقصى لنقاط الفئات (MMP)، وعندما تقع نقاط الكائن الذي نريد تصنيفه داخل هذا النطاق فهو ينتمي لهذه الفئة. ومن المتوقع أن يقع الكائن خارج جميع نطاقات الفئات في هذه الحالة فقط يتم استخدام الاستراتيجية الأخرى وهي حساب المسافة بين هذا الكائن و MMP للفئات. وقد تم إجراء تجربه experiment لهذه الخوارزمية المحسنة لقياس أدائها مقارنة مع خوارزمية knn التقليدية. وقد تم تقيم الخوارزميات اعتمادا على وقت التنفيذ أي الوقت الذي تستغرقه الخوارزمية في التنفيذ وأظهرت النتائج أن الخوارزمية المحسنة هي الأفضل في الأداء.

The analogy learning technique is the most public classification task in data mining. It depends to classify objects at storing the dataset and when it gets new data classified to a category that is much similar to the new data and predicts the class of an object by calculating the distance of the object to each sample in the training dataset. Working on a big dataset can be an expensive task, therefore it was been necessary to improve this method. In this paper, we present improvement Knn algorithm which it is learning based on Analogy. This improved algorithm built upon two strategies, first it identifies the ranges (minimum and maximum points MMP) of the classes, If the object belongs to the rang then the object is predicted belonging to the class. Another strategy is only used in one case when the object falls out of ranges, we calculate the distance between this object and the MMP of classes. We present experiment to evaluate the improvement method. The results show the developed method is better in performance than traditional Knn algorithm and the efficiency had been improved.
ISSN: 1858-9766

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.