چکیده مقاله
درخت تصمیم ساده وقتی داده ها ابعاد بالایی دارند، به تنهایی نمی تواند الگوهای درونی را خوب تشخیص بدهد دلیلش این است که ساختار داده ناهمگن می شود و درخت گیج می خورد در این مقاله یک روش ترکیبی پیشنهاد می کنم اول با الگوریتم K Means داده ها را دسته بندی می کنیم، بعد برای هر دسته یک درخت تصمیم جداگانه می سازم این طوری هر درخت فقط روی داده های شبیه به هم تمرکز می کند روش را روی دیتاست Digits آزمایش کردیم که شامل ۱۷۹۷ نمونه از تصاویر ارقام دست نویس است و هر نمونه ۶۴ ویژگی دارد دقت درخت تصمیم ساده ۸۴٫۲۶ درصد بود، اما روش ترکیبی ما به ۸۹٫۰۷ درصد رسید؛ یعنی حدود ۴٫۸ درصد بهتر عمل کرد این روش برای مسائلی مثل تشخیص رقم، تحلیل تصاویر پزشکی یا داده های حسگرها هم می تواند مفید باشد
کلیدواژهها
نویسندگان
علی کریمی
دکتری کامپیوتر هوش مصنوعی، دانشگاه دارالفنون بجنورد
محمد ولی زاده
کامپیوتر نرم افزار، دانشگاه دارالفنون بجنورد
شیوه ارجاع
کریمی، علی و ولی زاده، محمد،1405،روش ترکیبی K-Means و درخت تصمیم برای طبقه بندی داده های پربعد،سی امین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات،بابل
ارائهشده در
مجموعه مقالات سی امین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات29 مرداد 1405 · بابل