.png){kind=icon}
返回
Knowledge Extraction From Big Data Using Feature Classification and Ensemble Learning With Granular Computing
.png){kind=icon}
OA
AI
DOI：10.1049/sfw2/8673542.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
管理大规模数据，特别是具有高维特征的数据，在数据分析中构成了显著挑战。随着数据生成的快速增长以及数据分析对研究人员日益重要，从大数据中提取有意义的模式已成为关键问题。数据分析师利用数据挖掘技术来发现知识、提取模式和生成规则。然而，特征数量众多往往导致巨大的计算成本，需要先进的硬件资源。此外，在高维大数据系统中推导可解释的分类规则至关重要。本文提出了一种基于规则粒计算（GrC）的大数据知识提取方法。首先，该架构利用GrC技术和模糊聚类提取初步模糊规则；随后，采用集成学习生成优化的Takagi-Sugeno-Kang（TSK）规则。结果表明，通过模糊聚类进行有效的特征选择显著有助于生成最优规则。此外，实验结果证明，所提出的模型相较于随机森林和标准梯度提升等传统算法实现了显著的性能提升。
Keyword:
big data
granular computing
knowledge extraction
rule learning
TSK rule-based system
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
I
IF:
1.3
论文数:
21
被引数:
654
机构
引用论文
Rule Extraction using Machine Learning Classifiers for Complex Event Processing基于机器学习分类器的复杂事件处理规则提取
PREAI
分享收藏
分享收藏A Divide-and-Conquer-Based Ensemble Classifier Learning by Means of Many-Objective Optimization基于多目标优化的分而治之集成分类器学习
PREAI
分享收藏Jamaludin, H.; Achlison, U.; Rokhman, N. Enhancing AI Model Accuracy and Scalability Through Big Data and Cloud Computing. J. Technol. Inform. Eng. 2024, 3, 3. [Google Scholar] [CrossRef]Jamaludin, H.; Achlison, U.; Rokhman, N. 通过大数据和云计算提升AI模型精度与可扩展性。J. Technol. Inform. Eng. 2024, 3, 3. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容