ابتدا تمام صفات با جدول تصمیم مدل میشوند. در هر گام الگوریتم یک ویژگی از مدل حذف میکند. برای شبیهسازی این الگوریتم از مجموعه داده نوع اول استفاده نموده و مقادیر از دست رفته جایگزین مینماییم.

جدول ۴-۴۱: معیارهای ارزیابی و نتایج الگوریتم DTNB
F-measure
squared_error
precision
recall
accuracy
۰.۸۳۳۶
۰.۱۸۴ +/- ۰.۳۷۵
۸۳.۶۸%
۸۳.۰۶%
۸۱.۰۸%

جدول ۴-۴۲: ماتریس Confusion الگوریتم DTNB

true anomaly
true normal
class precision
pred. anomaly
۸۸۲۹
۲۶۱
۹۷.۱۳%
pred. normal
۴۰۰۴
۹۴۵۰
۷۰.۲۴%
class recall
۶۸.۸۰%
۹۷.۳۱%

الگوریتم JRIP
این قانون شبیه الگوریتم RIPPER عمل میکند. یک قانون گزاره ای را ایجاد میکند و در هر مرحله با هرس کردن هزینه خطا کاهش میدهد. برای شبیهسازی این الگوریتم از مجموعه داده نوع اول استفاده نموده و مقادیر از دست رفته جایگزین مینماییم.
جدول ۴-۴۴: ماتریس Confusion الگوریتم JRIP

true anomaly
true normal
class precision
pred. anomaly
۸۹۸۶
۲۷۱
۹۷.۰۷%
pred. normal
۳۸۴۷
۹۴۴۰
۷۱.۰۵%
class recall
۷۰.۰۲%
۹۷.۲۱%

جدول ۴-۴۳: معیارهای ارزیابی و نتایج الگوریتم JRIP
F-measure
squared_error
precision
recall
accuracy
۰.۸۳۸۳
۰.۱۸۲ +/- ۰.۳۸۶
۸۴.۰۶%
۸۳.۶۲%
۸۱.۷۳%

الگوریتم ONER
از مینیم خطا صفات برای ساخت قانون استفاده میشود. برای شبیهسازی این الگوریتم از مجموعه داده نوع اول استفاده کرده و مقادیر از دست رفته جایگزین مینماییم.

جدول ۴-۴۵: معیارهای ارزیابی و نتایج الگوریتم ONER
F-measure
squared_error
precision
recall
accuracy
۰.۸۳۲۲
۰.۱۸۶ +/- ۰.۳۸۹
۸۳.۳۴%
۸۳.۱۲%
۸۱.۳۷%

جدول ۴-۴۶: ماتریس Confusion الگوریتم ONER

true anomaly
true normal
class precision
pred. anomaly
۹۰۵۰
۴۱۶
۹۵.۶۱%

pred. normal
۳۷۸۳
۹۲۹۵
۷۱.۰۷%
class recall
۷۰.۵۲%
۹۵.۷۲%

الگوریتم PRSIM
از مجموعه قوانین PRISM برای ساختن قوانین استفاده میکند[۲۱]. برای شبیهسازی این الگوریتم از مجموعه داده نوع اول استفاده نموده و مقادیر از دست رفته جایگزین، .و داده nomial را به numerical تبدیل مینماییم.
جدول ۴-۴۷: معیارهای ارزیابی و نتایج مربوط به PRSIM
F-measure
squared_error
precision
recall
accuracy
۰.۷۹۷
۰.۲۴۶ +/- ۰.۴۳۰
۷۹.۷۳%
۷۹.۸۷%
۷۸.۴۶%

جدول ۴-۴۸: ماتریس Confusion الگوریتم PRSIM

true anomaly
true normal
class precision
pred. anomaly
۸۹۴۱
۹۶۵
۹۰.۲۶%
pred. normal
۳۸۹۲
۸۷۴۶
۶۹.۲۰%
class recall
۶۹.۶۷%
۹۰.۰۶%

الگوریتم RIDOR
اول یک قانون پیش فرض تولید شده و سپس سعی در کاهش خطا دارد. و این عمل کاهش خطا با هرس صفات انجام میدهد برای شبیهسازی این الگوریتم.از مجموعه داده نوع اول استفاده نموده و مقادیر از دست رفته جایگزین مینماییم.
جدول ۴-۴۹: معیارهای ارزیابی و نتایج الگوریتم RIDOR
F-measure
squared_error
precision
recall
accuracy
۰.۸۰۷۵
۰.۲۲۴ +/- ۰.۴۱۷
۸۱.۵۷%
۷۹.۹۶%
۷۷.۵۶%

جدول ۴-۵۰: ماتریس Confusion الگوریتم RIDOR

true anomaly
true normal
class precision
pred. anomaly
۸۰۴۰
۲۶۶
۹۶.۸۰%
pred. normal
۴۷۹۳
۹۴۴۵
۶۶.۳۴%
class recall
۶۲.۶۵%
۹۷.۲۶%

این مطلب رو هم توصیه می کنم بخونین:   منابع مقاله درباره دسته بندی، درخت تصمیم، نمونه آموزشی، ماشین بردار پشتیبان

الگوریتم RULE Induction
این قانون شبیه الگوریتم RIPPER عمل میکند و از مجموعه کلاس ها با تکرار کم شروع کرده و تا اینکه هیچ مثال مثبت با خطا بیشتر از ۵۰% وجود دارد ادامه پیدا میکند. و بهترین قانون بطور افزایشی با کاهش خطا انتخاب میشود. برای شبیهسازی این الگوریتم از مجموعه داده نوع اول استفاده نموده و مقادیر از دست رفته جایگزین مینماییم.
جدول ۴-۵۱: معیارهای ارزیابی و نتایج الگوریتم RULE Induction
F-measure
squared_error
precision
recall
accuracy
۰.۸۲۱
۰.۱۷۶ +/- ۰.۳۳۹
۸۲.۳۵%
۸۱.۸۷%
۷۹.۹۹%

جدول۴-۵۲: ماتریس Confusion الگوریتم RULE Induction

true anomaly
true normal
class precision
pred. anomaly
۸۷۶۱
۴۴۰
۹۵.۲۲%
pred. normal
۴۰۷۲
۹۲۷۱
۶۹.۴۸%
class recall
۶۸.۲۷%
۹۵.۴۷%

الگوریتم RULE Induction single attribute
این الگوریتم بر یک ویژگی واحد و مشخص نمودن بهترین شرایط تقسیم رکوردها برای رسیدن به کمترین خطا تاکید دارد.نتیجه شامل یک قانون است که همه ویژگیها در برمیگیرد. برای شبیهسازی این الگوریتم از مجموعه داده نوع اول استفاده نموده و مقادیر از دست رفته جایگزین مینماییم.
جدول۴-۵۳: معیارهای ارزیابی و نتایج الگوریتم RULE Induction single attribute
F-measure
squared_error
precision
recall
accuracy
۰.۸۴۳۹
۰.۱۶۷ +/- ۰.۳۴۵
۸۴.۳۷%
۸۴.۴۳%
۸۲.۸۶%

جدول ۴-۵۴: ماتریس Confusion الگوریتم RULE Induction single attribute

true anomaly
true normal
class precision
pred. anomaly
۹۳۷۶
۴۰۸
۹۵.۸۳%
pred. normal
۳۴۵۷
۹۳۰۳
۷۲.۹۱%
class recall
۷۳.۰۶%
۹۵.۸۰%

الگوریتم TREE by rule
از درخت تصمیم برای ساخت قواعد استفاده میکند. برای شبیهسازی این الگوریتم از مجموعه داده نوع سوم استفاده مینماییم.
جدول ۴-۵۵: معیارهای ارزیابی و نتایج الگوریتم TREE by rule
F-measure
squared_error
precision
recall
accuracy
۰.۷۹۶۹
۰.۲۱۷ +/- ۰.۴۰۵
۷۹.۹۴%
۷۹.۴۶%
۷۷.۷۳%

جدول ۴-۵۶: ماتریس Confusion الگوریتم TREE by rule

true anomaly
true normal
class precision
pred. anomaly
۸۴۲۷
۷۲۹
۹۲.۰۴%
pred. normal
۴۲۵۹
۸۹۸۱
۶۷.۸۳%
class recall
۶۶.۴۳%
۹۲.۴۹%

الگوریتم Part
یک درخت C4.5 میسازد و از درخت برای تبدیل به قانون استفاده میشود. برای شبیهسازی این الگوریتم مجموعه داده نوع سوم استفاده مینماییم.
جدول ۴-۵۷: :معیارهای ارزیابی و نتایج الگوریتم part
F-measure
squared_error
precision
recall
accuracy
۰.۸۳۸۳
۰.۱۸۰ +/- ۰.۳۸۲
۸۴.۰۴%
۸۳.۶۴%
۸۱.۷۸%

جدول ۴-۵۸: ماتریس Confusion الگوریتم part

true anomaly
true normal
class precision
pred. anomaly
۹۰۱۱
۲۸۵
۹۶.۹۳%
pred. normal
۳۸۲۲
۹۴۲۶
۷۱.۱۵%
class recall
۷۰.۲۲%
۹۷.۰۷%

در شکل ۴-۱۹ الگوریتمهای مدل قانونمحور را از نظر پارامتر درستی مقایسه نمودهایم

شکل ۴-۱۹: نمودار ارزیابی الگوریتمهای قانون محور بر حسب پارامتر درستی
در شکل ۴-۲۰ الگوریتمهای مدل قانونمحور را از نظر پارامتر دقت مقایسه نمودهایم.

دسته‌ها: No category

دیدگاهتان را بنویسید