تئوری استثنائات

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 چالش های پیش روی داده کاوی داده های 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.

منطق یادگیری از استثنائات چالش مهمی در حیطه داده کاوی و کشف دانش است. در این پژوهش بر اساس تئوری استثنائات و رضایتمندی، الگویی نوین برای بهبود شایان توجه میزان اعتماد و اطمینان به کشف و یادگیری از استثنائات ارائه می شود. ابتدا به کمک رویکرد تلفیقی پیشنهادی بر اساس تئوری استثنائات، حدود رفتار نرمال و استثنایی داده ها مشخص می شود و پس از آن با به کارگیری تئوری رضایتمندی، راه حل های رضایت بخش به دست می آید. استخراج دانش از داده های نرمال و استثنایی به کمک رویکرد یادگیری پایین به بالا و به کارگیری الگوریتم پیشنهادی RISE ارتقایافته صورت می گیرد. به منظور تعیین کارایی الگوی پیشنهادی، کشف سهام استثنایی در پایگاه اطلاعاتی بازار بورس ایران هدف قرار گرفت. برتری نتایج روش پیشنهادی با نتایج به دست آمده از به کارگیری سایر الگوریتم های داده کاوی، روزنه ای برای توجه به رویکرد پیشنهاد شده است. همچنین با بهره مندی از شاخص g-means میزان دقت این روش سنجیده شد. نتایج نشان داد روش پیشنهادشده از قابلیت شناسایی و یادگیری از داده های استثنایی برخوردار است.