الگوریتم با رویکرد جدیدی در داده کاوی مبتنی بر ساختار وابستگی ورودی ها

الگوریتم های یادگیری ماشین برای شناسایی الگوهای دقیق از داده ها نقش مهمی ایفا می کند. این روش ها،تحلیل های نوین از داده ها بر اساس علوم آمار و ریاضی ساخته و با پیاده سازی در علوم کامپیوتر کاربرد فراوانی پیداکرده اند. در یادگیری ماشین (با نظارت)، درختان تصمیم با استفاده از همگن ساختن نواحی داده ها الگوهایی را بینمتغیرهای ورودی و متغیر هدف شناسایی کرده و برای پیش بینی استفاده می کند. در این مقاله، روشی جدید برایتقسیم داده ها به نواحی همگن بر اساس نوع ساختار وابستگی بین ورودی های مدل به نام درخت رگرسیون و وابستگیدارد. ⅾart ارائه می شود. این مقاله مروری بر نوع تحلیل الگوریتم

algorithm with a new approach in data mining based on thedependency structures among inputs

machine learning algorithms play an important role in identifying accurate patterns.these methods make modern analyses based on statistical and mathematical sciencesand have found wide applications by being implemented in computer sciences. in supervisedmachine learning, decision trees identify patterns between inputs and target variables by dividingthe data set into homogeneous partitions and use them to predict. in this paper, a newmethod is presented for dividing data into homogeneous partitions that considers dependencystructures among inputs for splitting observations. this is called “dependence and regressiontrees” (dart). this paper provides an overview of dart algorithm analysis.