ஜர்னல் ஆஃப் டேட்டா மைனிங் இன் ஜெனோமிக்ஸ் & புரோட்டியோமிக்ஸ்

சுருக்கம்

மல்டி-ரிலேஷனல் நேவ் பேய்சியன் வகைப்படுத்திக்கான தகவல் கோட்பாடு அடிப்படையிலான அம்சத் தேர்வு

விமல்குமார் பி வகேலா, கல்பேஷ் எச் வந்த்ரா மற்றும் நிலேஷ் கே மோடி

 இன்று தரவுகள் தொடர்பு கட்டமைப்புகளில் சேமிக்கப்படுகின்றன. இந்தத் தரவைச் சுரங்கப்படுத்துவதற்கான வழக்கமான அணுகுமுறையில், பிளாட்டென் எனப்படும் வெளிநாட்டு விசை இணைப்புகளைப் பயன்படுத்தி ஒரே உறவை உருவாக்குவதற்கு பல உறவுகளில் இணைவதைப் பயன்படுத்துகிறோம். தட்டையானது நேரத்தைச் செலவழித்தல், தரவு பணிநீக்கம் மற்றும் தரவுகளில் புள்ளியியல் வளைவு போன்ற சிக்கல்களை ஏற்படுத்தலாம். எனவே, பல உறவுகளில் நேரடியாகத் தரவை எவ்வாறு சுரங்கப்படுத்துவது என்பது முக்கியமான சிக்கல்கள் எழுகின்றன. கொடுக்கப்பட்ட சிக்கலுக்கான தீர்வாக மல்டி ரிலேஷனல் டேட்டா மைனிங் (எம்ஆர்டிஎம்) எனப்படும் அணுகுமுறை உள்ளது. பிற சிக்கல்கள் பொருத்தமற்றவை அல்லது ஒரு உறவில் உள்ள தேவையற்ற பண்புக்கூறுகள் வகைப்படுத்தல் துல்லியத்திற்கு பங்களிக்காது. எனவே, அம்சத் தேர்வு என்பது பல-தொடர்பு தரவுச் செயலாக்கத்தில் அவசியமான தரவு முன் செயலாக்க படியாகும். தரவுச் செயலாக்கத்திற்கான உறவுகளிலிருந்து பொருத்தமற்ற அல்லது தேவையற்ற அம்சங்களை வடிகட்டுவதன் மூலம், வகைப்படுத்தல் துல்லியத்தை மேம்படுத்துகிறோம், நல்ல நேர செயல்திறனை அடைகிறோம் மற்றும் மாதிரிகளின் புரிந்துகொள்ளுதலை மேம்படுத்துகிறோம். Multi-relational Naïve Bayesian Classifierக்கான என்ட்ரோபி அடிப்படையிலான அம்சத் தேர்வு முறையை நாங்கள் முன்மொழிந்தோம். எங்களிடம் முறை InfoDist மற்றும் Pearson's Corelation அளவுருக்கள் உள்ளன, இது பல-தொடர்பு தரவுத்தளத்திலிருந்து பொருத்தமற்ற மற்றும் தேவையற்ற அம்சங்களை வடிகட்ட பயன்படுத்தப்படும் மற்றும் வகைப்படுத்தல் துல்லியத்தை மேம்படுத்தும். PKDD நிதித் தரவுத்தொகுப்பில் எங்களின் அல்காரிதத்தை நாங்கள் பகுப்பாய்வு செய்து, ஏற்கனவே உள்ள அம்சங்களைத் தேர்ந்தெடுக்கும் முறைகளுடன் ஒப்பிடுகையில் சிறந்த துல்லியத்தை அடைந்தோம்.