ارائه یک روش جدید برای تخمین مقادیر گمشده در مجموعه داده

نوع مقاله: مقاله کامپیوتر

نویسندگان

کرمان

چکیده

اغلب مجموعه داده های مربوط به داده کاوی و ماشین یادگیری دارای داده هایی با مقادیر Missing Values یا داده گمشده می باشند. چگونگی برخورد با داده گمشده و نیز ارائه راهکارهایی مبتنی بر تخمین مقدار مربوط به داده گمشده، منجر به بروز یک مسئله بسیار مهم در زمینه داده کاوی و ماشین یادگیری  شده است. در بین الگوریتم های داده کاوی، الگوریتم C4.5، به دلیل کارآیی، استفاده در کاربردهای مختلف داده کاوی و نیز توانایی در کار کردن و تخمین مقدار داده گمشده در مجموعه داده ها، به طور مکرر مورد استفاده قرار گرفته است. پژوهشگران و محققان روش ها و الگوهای متعددی جهت برخورد با مقادیر داده گمشده و تخمین مقدار آن در مجموعه داده های الگوریتم C4.5 ارائه داده اند که هر یک از روش ها به نحوی موجب افزایش دقت درخت تصمیم و در نتیجه تولید یک درخت تصمیم موثر و کاراتر شده است. لذا در مقاله حاضر ابتدا به بررسی و مرور روش ها و راهکارهای ارائه شده پیشین و سپس به ارائه روش پیشنهادی با عنوان روش جابجایی خصوصیت ها جهت تخمین مقادیر گمشده در مجموعه داده پرداخته خواهد شد و سپس در پایان به مقایسه و ارزیابی دقت حاصل شده روش پیشنهادی با روش های حذف و میانگین خواهیم پرداخت.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

A New Algorithm to Predict Missing Values in Datasets

نویسندگان [English]

  • salimeh ziaadini
  • mina abaraghi
kerman
چکیده [English]

Most Datasets related to data mining and machine learning contain data with missing values. How to deal with missing values and to provide solutions based on estimating missing values lead to a very important issue in the field of machine learning and data mining. Among data mining algorithm, the C4.5 algorithm has been used repeatedly because of performance being used in various applications and also ability in working and estimating missing values in data sets. Researchers have presented various methods for deal with missing values and estimating it’s amount in a C4.5 data sets which any of their method causes an increase in accuracy of decision tree and there for produce a more effective and efficient decision. In this paper, for estimating missing values in data sets, at the first, we review the previous methods then the proposed approach as a displacement properties method and in the end the accuracy of proposed methods for deletion and average will be comparing.

کلیدواژه‌ها [English]

  • Data Mining
  • Missing Values
  • C4.5 Algorithm
  • Dataset
  • Decision Tree
 
[1] Bhardwaj, R., Vatta, S. (2013).  “Implemention of ID3 Algorithm”. International Journal of Advanced Research in Computer Science and Software Engineering, Vol. 82, pp. 317–329.
 [2] Gey, S.,  Nedelec, E.  (2005). “Model Selection for CART regr ession trees”. Information Theory IEEE Transactions,  Vol.51,  Issue 2.
[3] Zhu, H., Chen, S. (2013). “Rang Tree:A Feauter Selection Algoritm for C4.5 Decission Tree”,  5th International Conference on Intelligent Networking and Collaborative Systems (INCoS).
[4] Chen, MH.,  Lipsitz, SR. (2008). “Bayesian methods for generalized linear models with covariates missing at random”, Canadian Journal of Statistics.
[5] Marwala, T. (2009). “Computational Intelligence for Missing Data Imputation, Estimation and Management: Knowledge Optimization Techniques”, South Africa University of Witwatersrand IGI Global.
[6] Little RJA. (1988). “A test of missing completely at random for multivariate data with Missing Values”, State Assoc.
[7] Fleiss, JL., Levin, B., Paik MC. (2002).“ Statistical Methods for Rates and Proportions”, 3rd  International New York.
[8] Priyadharsini, C, Selvadoss, P. (2014). “Prediction of Missing Values in Blood Cancer and Ocuurrence of Cancer Using Improved ID3 Algorithm”, International Journal of Innovative Research in Computer and Communication Engineering, Vol.2, Issue 8.
[9] Kaiser, J. (2014). “Dealing with Missing Values in Data”, Journal of Systems Integration, Vol.6, Issue 10.
[10] Augustin, M.,  Sakena,  S. (2015). “Machine Learning with Missing Attributes Value Methods Implementation”, Procedding of the Worid Congress on Engineering and Computer.
[11] Chen, T. (2015).  “A comparison of approaches for dealing with Missing Values”, proceedings of the international conference on machine learning and cybernetics.
[12] Huaxiong, Li.(2013).  “Missing Values Imputation Based on Iterative Learning”, Canadian Journal of Statistics.
[13] Clark, P., Niblett, T. (2012).  “The LEM2 and C4.5 Inductiion Algorithm Machine”, International Journal software Computer.
[14] Jerzy,  W. (2015).  “A Comparison of Rule Induction Using Feature Selection and the LEM2 Algorithm”, Springer Verlag Berlin Heidelberg.
[15] Grzymala, J. (2014). “On the unknown attribute values in learning from examples”, 6th International Symposium on Methodologies for Intelligent systems, Charlotte.
[16] Quinlan, J. (2014).  “C4.5 Programs for Machine Learning”, MorganKaufman Publishers, San Matteo CA.
[17] Sharma, A. Mehta, N. (2013). “Reasoning with Missing Values in Multi Attribute Datasets”, International Journal of Advanced Research in Computer Science and Software Engineering.
[18] Jeerz, A. (2016). “Coordinate Metology”, Acuuracy of Systema and Measurements Series Springer Tracts in Mechanial Enginnering.
 
.