داده کاوی پزشکی :راهکاری جهت کشف روابط بین عوامل خطرزای قلبی
امروزه در دانش پزشکی شاهد جمع آوری داده های فراوان در مورد بیماریهای مختلف هستیم . مراکز پزشکی با مقاصد گوناگون به
جمع آوری این د اده ها می پردازن د . تحقیق روی این داده ها و بدست آوردن نتایج و الگوهای مفید در رابطه با بیماریها یکی از اهداف
استفاده از این داده هاس ت . حجم زیاد این داده ها و سردرگمی حاصل از آن مشکلی است که مانع رسیدن به نتایج قابل توجه می شو د .
در این مقاله از داده کاوی ب ر ای غلبه بر این مشکل و بدست آوردن روابط مفید بین عوامل خطر زا در بیماریهای قلب و عروق استفاده
کرده ایم . این بیماریها با توجه به شیوع و سهمی که در مرگ و میر انسانها دارند از اهمیت بالایی برخوردارن د . داده کاوی دانش استخراج
روابط و الگوهای مفید پنهان در حج م زیاد داده اس ت . تکنیک استفاده شده در این مقاله دسته بندی به کمک درختهای تصمیم گیری و
نرم افزار استفاده شده CART است...
ارائه ی یک الگوریتم برای دسته بندی شات ها در ویدئوی مسابقه فوتبال
دسته بندی شات ها یکی از مهمترین مراحل در پردازش ویدئوی فوتبال است.اطلاعات مربوط به دسته ی شات ها در ترکیب با سایر ویژگی ها میتواند مفاهیم معنایی جالبی را منتقل کند.در این مقاله یک روش دسته بندی شات مبتنی بر دانش ناحیه پیشنهاد شده است.این روش از اطلاعات مرز زمین بازی استفاده می کند و شات ها را به دو دسته ی:نمای دور و نمای نزدیک،طبقه بندی می کند....
اندازه مناسب test set و training set در classification
دسته بندی یکی از عملیات رایج و مورد استفاده در داده کاوی است. دسته بندی عملیاتی است که سازمان ها را قادر میسازد که در حل مسائل خاص در مجموعه های بزرگ و پیچیده به کشف الگوهایی دست یابند. دسته بندی فرآیندی میباشد که مجموعه داده ها را به قسمت های مشخص تقسیم میکند. برای مثال مشتریان یک شرکت بیمه را بر اساس خصوصیاتشان به دو گروه با ریسک بالا و ریسک پایین تقسیم میشوند. با این کار در واقع مشتریان این شرکت را دسته بندی شده اند.
ساده ترین روشی که برای دسته بندی به نظر می رسد گذاشتن حدی برای دسته ها می باشد، مثلاً افراد با درآمد بالای مقداری مشخص را به یک دسته و افراد با درآمد پایین تر از آن را به یک دسته ی دیگر تخصیص دهیم.
تعدادی از روش هایی که میتوانند جهت داده کاوی مسائل دسته بندی به کار برده شوند، شامل: درخت تصمیم و شبکه های عصبی و نظیراین ها را ارایه کردند. این روش ها بر دامنه گستردهای از زمینه های مهندسی به کار برده می شوند.
برای نمونه، شبکه های عصبی در کنترل بازخوردها برای کشف الگوها و آشکارسازی خروجی مناسب کنترل شده به کار برده میشوند.