Decision trees have been found very

Decision trees have been found very effective for classification especially in Data Mining. This paper aims at
improving the performance of the SLIQ decision tree algorithm (Mehta et. al,1996) for classification in data
mining The drawback of this algorithm is that large number of gini indices have to be computed at each node of
the decision tree. In order to decide which attribute is to be split at each node, the gini indices have to be
computed for all the attributes and for each successive pair of values for all patterns which have not been
classified. An improvement over the SLIQ algorithm has been proposed to reduce the computational
complexity. In this algorithm, the gini index is computed not for every successive pair of values of an attribute
but over different ranges of attribute values. Classification accuracy of this technique was compared with the
existing SLIQ and the Neural Network technique on three real life datasets consisting of the effect of different
chemicals on water pollution, Wisconsin Breast Cancer Data and Image data It was observed that the decision
tree constructed using the proposed decision tree algorithm gave far better classification accuracy than the
classification accuracy obtained using the SLIQ algorithm irrespective of the dataset under consideration. The
classification accuracy of this algorithm was even better compared to the neural network classification
technique. Overall, it was observed that this decision tree algorithm not only reduces the number of
computations of gini indices but also leads to better classification accuracy.

ผลลัพธ์ (ไทย) 1:

ต้นไม้ตัดสินใจพบมีประสิทธิภาพมากสำหรับการจัดประเภทโดยเฉพาะอย่างยิ่งในข้อมูลที่ทำเหมืองแร่ เอกสารนี้มีวัตถุประสงค์ ปรับปรุงประสิทธิภาพของการ SLIQ ตัดสินใจทรีอัลกอริทึม (Mehta et. al, 1996) สำหรับการจัดประเภทข้อมูล การทำเหมืองข้อเสียเปรียบของอัลกอริทึมนี้คือ ที่ดัชนี gini จำนวนมากต้องถูกคำนวณในแต่ละโหนของ ต้นไม้การตัดสินใจ การเลือกแอททริบิวต์ที่จะแบ่งที่แต่ละโหน ดัชนี gini ต้อง จากคำนวณ สำหรับแอททริบิวต์ และ สำหรับแต่ละคู่ที่ต่อเนื่องของค่าสำหรับรูปทั้งหมดไม่ได้ จัด มีการเสนอการปรับปรุงผ่านอัลกอริทึม SLIQ เพื่อลดการคำนวณ ความซับซ้อน ในอัลกอริทึมนี้ คำนวณดัชนี gini ไม่สำหรับทุกค่าของแอตทริบิวต์คู่ต่อเนื่อง แต่ มากกว่าช่วงอื่นของค่าแอตทริบิวต์ ความถูกต้องของประเภทของเทคนิคนี้ถูกเปรียบเทียบกับการ ที่มีอยู่ SLIQ และเทคนิคโครงข่ายประสาทในสามชีวิตจริง datasets ประกอบด้วยผลของการแตกต่างกัน สารเคมีมลพิษทางน้ำ ข้อมูลมะเร็งเต้านมวิสคอนซิน และข้อมูลภาพจะถูกตรวจสอบที่การตัดสินใจ แผนภูมิที่สร้างขึ้นโดยใช้อัลกอริทึมต้นไม้ตัดสินใจเสนอให้จัดประเภทความแม่นยำที่ดีกว่านี้ ความถูกต้องประเภทที่ได้รับโดยใช้อัลกอริทึม SLIQ แก่ชุดข้อมูลระหว่างการพิจารณา ที่ จัดประเภทความถูกต้องของอัลกอริทึมนี้ได้ยิ่งเมื่อเทียบกับการจัดประเภทของเครือข่ายประสาท เทคนิคการ โดยรวม ก็ถูกพบว่า อัลกอริทึมต้นไม้ตัดสินใจนี้ไม่เพียงแต่ลดจำนวน ประมวลผลดัชนี gini แต่ยังนำไปสู่การจัดประเภทความแม่นยำที่ดีกว่า

ผลลัพธ์ (ไทย) 2:

ต้นไม้ตัดสินใจได้ถูกพบที่มีประสิทธิภาพมากสำหรับการจัดหมวดหมู่โดยเฉพาะอย่างยิ่งในการทำเหมืองข้อมูล บทความนี้มีจุดมุ่งหมายที่
การปรับปรุงประสิทธิภาพของขั้นตอนวิธีต้นไม้ตัดสินใจ SLIQ (เมธาเอ. อัล, 1996) การจัดหมวดหมู่ในข้อมูล
การทำเหมืองแร่อุปสรรคของขั้นตอนวิธีนี้ก็คือว่าจำนวนมากของดัชนี gini จะต้องมีการคำนวณที่โหนดของแต่ละ
ต้นไม้ตัดสินใจ เพื่อที่จะตัดสินใจว่าแอตทริบิวต์ที่จะแยกในแต่ละโหนดดัชนี gini จะต้องมีการ
คำนวณสำหรับแอตทริบิวต์ทั้งหมดและสำหรับแต่ละคู่ต่อเนื่องของค่าสำหรับทุกรูปแบบที่ยังไม่ได้รับการ
จัด การปรับปรุงกว่าอัลกอริทึม SLIQ ได้รับการเสนอให้ลดการคำนวณ
ที่ซับซ้อน ในขั้นตอนนี้ดัชนี gini คำนวณไม่ได้สำหรับทุกคู่ต่อเนื่องของค่าของแอตทริบิวต์
แต่กว่าช่วงที่แตกต่างของค่าแอตทริบิวต์ ความถูกต้องการจัดหมวดหมู่ของเทคนิคนี้ได้รับเมื่อเทียบกับ
SLIQ ที่มีอยู่และเทคนิคโครงข่ายประสาทเทียมสามชุดชีวิตจริงซึ่งประกอบด้วยผลของการที่แตกต่างกัน
สารเคมีในมลพิษทางน้ำวิสคอนซินเต้านมข้อมูลโรคมะเร็งและข้อมูลภาพมันถูกตั้งข้อสังเกตว่าการตัดสินใจที่
สร้างขึ้นโดยใช้ต้นไม้ที่นำเสนอ อัลกอริทึมต้นไม้ตัดสินใจให้ถูกต้องจัดหมวดหมู่ที่ดีกว่า
ความถูกต้องที่ได้รับการจัดหมวดหมู่โดยใช้อัลกอริทึม SLIQ โดยไม่คำนึงถึงชุดข้อมูลภายใต้การพิจารณา
ความถูกต้องของขั้นตอนวิธีการจัดหมวดหมู่นี้ได้ดียิ่งขึ้นเมื่อเทียบกับเครือข่ายประสาทจำแนก
เทคนิค โดยรวมก็เป็นที่สังเกตว่าขั้นตอนวิธีต้นไม้ตัดสินใจไม่เพียง แต่ช่วยลดจำนวนของ
การคำนวณของดัชนี gini แต่ยังนำไปสู่ความถูกต้องดีกว่าการจัดหมวดหมู่

ผลลัพธ์ (ไทย) 3:

ต้นไม้การตัดสินใจได้รับพบว่ามีประสิทธิภาพมากสำหรับการโดยเฉพาะอย่างยิ่งในการทำเหมืองข้อมูล งานวิจัยนี้มีวัตถุประสงค์เพื่อปรับปรุงประสิทธิภาพของ sliq
ขั้นตอนวิธีต้นไม้ตัดสินใจ ( Mehta et al , 1996 ) สำหรับการจำแนกประเภทของการทำเหมืองข้อมูล
ข้อเสียของวิธีนี้คือจํานวนี่ดัชนีจะต้องคำนวณในแต่ละโหนดของ
ต้นไม้ตัดสินใจเพื่อที่จะตัดสินใจ ซึ่งคุณสมบัติที่จะแยกในแต่ละโหนดดัชนี Gini ต้อง
คำนวณสำหรับคุณลักษณะทั้งหมดและสำหรับแต่ละคู่ของค่าต่อเนื่องสำหรับรูปแบบทั้งหมด ซึ่งไม่ได้ถูก
ลับ การปรับปรุงมากกว่า sliq อัลกอริทึมได้รับการเสนอเพื่อลดความซับซ้อนในการคำนวณ

ในขั้นตอนนี้ดัชนีจินีจะคำนวณได้ค่าของแอตทริบิวต์
ต่อเนื่องทุกคู่ แต่ไปช่วงที่แตกต่างกันของค่าแอตทริบิวต์ . ความแม่นยำในการจำแนกของเทคนิคนี้เมื่อเทียบกับ sliq
ที่มีอยู่และเทคนิคโครงข่ายประสาทเทียม 3 ชีวิตจริงข้อมูล ประกอบด้วยผลของสารเคมีแตกต่างกัน
น้ำมลพิษวิสคอนซินมะเร็งเต้านม ข้อมูลและภาพพบว่า การตัดสินใจ
ต้นไม้สร้างโดยใช้ต้นไม้ตัดสินใจการจำแนกขั้นตอนวิธีที่เสนอให้ความถูกต้องดีกว่า
ความแม่นยำในการจำแนกได้โดยใช้อัลกอริทึม sliq โดยไม่คำนึงถึงข้อมูลภายใต้การพิจารณา
หมวดหมู่ความถูกต้องของขั้นตอนวิธีนี้จะดีขึ้นเมื่อเทียบกับเทคนิคการจำแนก
เครือข่ายประสาท โดยรวม พบว่าต้นไม้นี้การตัดสินใจไม่เพียง แต่ช่วยลดจำนวนของขั้นตอนวิธีการคำนวณดัชนี Gini
แต่ยังนำไปสู่ดีกว่าประเภทความแม่นยำ