To create a classifier using an ass

To create a classifier using an associative classification algorithm, a complete set of class
association rules (CARs) is obtained from the training dataset. Most generated rules, however,
are either redundant or insignificant. They not only confuse end users during
decision-making but also decrease the performance of the classification process. Thus, it
is necessary to eliminate redundant or unimportant rules as much as possible before they
are used. A related problem is the discovery of interesting or useful rules. In existing classification
systems, the set of such rules may not be discovered easily. However, in real
world applications, end users often consider the rules with consequences that contain
one of particular classes. For example, in cancer screening applications, researchers are
very interested in rules that classify genes into the ‘‘cancer’’ class. This paper proposes a
novel approach for mining relevant CARs that considers constraints on the rule consequent.
A tree structure for storing frequent itemsets from the dataset is designed. Then, some theorems
for pruning tree nodes that cannot generate rules satisfying the class constraints are
provided and proved. Finally, an efficient algorithm for mining constrained CARs is presented.
Experiments show that the proposed method is faster than existing methods.

Kết quả (Việt) 1:

Để tạo ra một loại bằng cách sử dụng một thuật toán phân loại kết hợp, một bộ hoàn chỉnh các lớp họcHiệp hội quy tắc (ô tô) được lấy từ số liệu đào tạo. Hầu hết tạo ra quy tắc, Tuy nhiên,được dự phòng hoặc không đáng kể. Họ không chỉ gây nhầm lẫn cho người dùng cuối trongquyết định mà còn giảm hiệu suất của quá trình phân loại. Do đó, nólà cần thiết để loại bỏ quy tắc dự phòng hoặc không quan trọng càng nhiều càng tốt trước khi họđược sử dụng. Một vấn đề có liên quan là khám phá thú vị hoặc hữu ích. Trong phân loại hiện cóHệ thống, thiết lập quy tắc như vậy có thể không được phát hiện một cách dễ dàng. Tuy nhiên, trong thực tếthế giới ứng dụng, người dùng cuối thường xem xét các quy tắc với những hậu quả có chứamột trong các lớp học đặc biệt. Ví dụ, trong ung thư kiểm tra ứng dụng, các nhà nghiên cứurất quan tâm đến quy tắc phân loại các gen vào các lớp học '' ung thư ''. Bài báo này đề xuất mộtcách tiếp cận mới cho khai thác mỏ xe ô tô có liên quan mà xem xét khó khăn về quy tắc theo sau.Một cấu trúc cây để lưu trữ thường xuyên itemsets từ bộ dữ liệu được thiết kế. Sau đó, một số định lýcắt tỉa cây nút không thể tạo ra quy tắc đáp ứng các khó khăn lớpcung cấp và chứng minh. Cuối cùng, một thuật toán hiệu quả cho xe ô tô khai thác cố định được trình bày.Thí nghiệm cho thấy rằng phương pháp được đề xuất là nhanh hơn so với phương pháp hiện có.

Kết quả (Việt) 2:

Để tạo một phân lớp sử dụng một thuật toán phân loại kết hợp, một bộ hoàn chỉnh các lớp
luật kết hợp (CAR) được lấy từ các tập dữ liệu huấn luyện. Quy tắc tạo nhất, tuy nhiên,
là một trong hai thừa hoặc không đáng kể. Họ không chỉ gây nhầm lẫn người dùng cuối trong quá trình
ra quyết định nhưng cũng làm giảm hiệu suất của quá trình phân loại. Vì vậy, nó
là cần thiết để loại bỏ các quy định không cần thiết hoặc không quan trọng như nhiều càng tốt trước khi chúng
được sử dụng. Một vấn đề liên quan là việc phát hiện ra các quy tắc thú vị hoặc hữu ích. Trong phân loại hiện có
hệ thống, các bộ quy tắc này có thể không được phát hiện một cách dễ dàng. Tuy nhiên, trong thực tế
ứng dụng trên thế giới, người dùng thường xem xét các quy định với những hậu quả có chứa
một trong các lớp học đặc biệt. Ví dụ, trong các ứng dụng tầm soát ung thư, các nhà nghiên cứu là
rất quan tâm đến các quy tắc phân loại gen vào '' ung thư '' lớp. Bài viết này đề xuất một
phương pháp mới để khai thác CAR có liên quan xem xét những hạn chế về hậu quả quy tắc.
Một cấu trúc cây để lưu trữ các tập phổ biến từ các số liệu được thiết kế. Sau đó, một số định lý
cho các nút cây cắt tỉa mà không thể tạo ra quy tắc thoả mãn các ràng buộc lớp được
cung cấp và chứng minh. Cuối cùng, một thuật toán hiệu quả cho CAR khai thác hạn chế được trình bày.
Các thí nghiệm cho thấy rằng các phương pháp được đề xuất là nhanh hơn so với các phương pháp hiện có.