رویکردی نوین به منظور کشف و تجزیه وتحلیل دانش پدیده های استثنایی با استفاده از داده کاوی

منطق یادگیری ازاستثنائات چالشی قابل توجه در حوزه داده کاوی است. استثنائات پدیده های نادری هستند که رفتاری مثبت و متفاوت از الگوهای اصلی و مورد انتظار موجود در پایگاه داده از خود بروز می دهند. ایجاد چارچوبی کارا برای افزایش اطمینان به پدیده های استثنایی در کشف دانش و یادگیری موثر از آن حائز اهمیت است. در این پژوهش، الگویی بر اساس تئوری استثنائات و تئوری اطلاعات ارائه شده است تا چالش‌های پیش روی داده‌کاوی داده‌های استثنایی را برطرف نماید. نخست از تابع آنتروپی رنی برای شناسایی استثنائات استفاده و سپس با بکارگیری رویکرد یادگیری پایین به بالا بر مبنای الگوریتم پیشنهادی rise ارتقا یافته، قوانین حاکم بر بروز رفتار استثنایی استخراج می گردد. به منظور تعیین کارایی مدل پیشنهادی، کشف سهام استثنایی و یادگیری رفتار آن ها مورد بررسی قرار گرفته است. از مجموع 1334 سهم مورد بررسی 36 سهم رفتار استثنایی داشته اند که رفتار آن ها در قالب سه قانون مشخص شده است. ارجحیت نتایج حاصل از مدل پیشنهادی نسبت به نتایج بدست آمده از بکارگیری الگوریتم های معمول یادگیری بیانگرکارایی مدل ارائه شده است.  است.

A New Approach for Exceptional Phenomena Knowledge Detection and Analysis by Data Mining

Learning logic of exceptions is a considerable challenge in data mining and knowledge discovery. Exceptions are the rare phenomenon with positive unusual behavior in a database. Creating an efficient framework to increase the reliability in the detection of exceptions in the knowledge and learning is quite important. This paper presents a novel framework to promote the confidence to a limited number of records (exceptions) for effective learning of exceptions. In this study, a new approach based on the abnormality theory and computing theory is presented to detect exceptional phenomena and learn their behavior. First, Renyi entropy function is implemented to detect exceptional data which is differentiated data according to their hidden knowledge. Then, the novel ERISE algorithm which follows bottomup learning strategy is introduced to learn exceptional data behavior. Efficiency of the proposed model is determined by applying it to the Iran stock market data. Mining the number of 1334 stocks data points, 2.6% of them had exceptional behavior. The extracted rules represent the exceptional stocks attitudes. After that, an expert system is designed to use the extracted knowledge for recognizing new exceptional stocks. Faced with new stock, this expert system can recognize exceptions by comparing its characteristics with normal and exceptional behavior. Exceptions behave in compliance with exceptional rules or in contradiction with any normal pattern. This acquisition knowledge is the basis of exceptional portfolio selection which aims to make exceptional wealth for investors.  Findings of the proposed method are compared with the outcomes of applying traditional methods as decision tree and support vector machine which is considerable. The results show the capability of the proposed method in exceptional data detection and learning their behaviors.