3-2-2متد FSVM-CIL 79
3-3 ماشین بردار پشتیبان حداقل مربعات (LS-SVM) 83
3-4 الگوریتم پیشنهادی 87
فصل چهارم:محاسبات و یافته های تحقیق
4-1 مقدمه 90
4-2 مجموعه داده ها 90
4-3 نتایج کارایی روش های مختلف بر روی مجموعه داده ها 91
فصل پنجم:نتیجه گیری و پیشنهادات
5-1 جمع بندی و نتیجه گیری 94
5-2 کارهای آتی 96
منابع و مآخذ : 97
چکیده انگلیسی……………………………………………………………………………………………………….102
فهرست جداول
جدول 2-1 متغیرهای ارزیابی دسته بندی 29
جدول 4-1 جزییات مجموعه داده های نامتوازن 90
جدول 4-2- مقایسه کارایی روش های مختلف 92
فهرست اشکال
شکل (2-1)- فرایند کشف دانش]1[ 12
شکل(2-2)-حوزه های مختلف داده کاوی]1[ 13
شکل(2-3)-عملکردهای داده کاوی]1[ 13
شکل(2-4)-عملیات مختلف در پاکسازی داده]1[ 18
شکل(2-5)-فشرده سازی بی اتلاف و پر اتلاف]1[ 22
شکل(2-6)-تجمیع مکعبی داده]1[ 23
شکل(2-7)-نمایی از ریسک در دسته بندی]1[ 27
شکل (2-8)-تابع تصمیم فضای دو بعدی 37
شکل (2-9)- مرکز کلاس برای شکل 2-8 38

شکل (2-10)- مرز کلاس بدون هیچ اشتراکی 39
شکل (2-11)- بعد VC ]11[ 40
شکل (2-12)- ابر صفحه جدا کننده بهینه در دو بعد 47
شکل (2-13)- حالت جداناپذیر خطی در دو بعد 49
شکل (2-14)- نگاشت داده های آموزشی غیرخطی به فضایی از ویژگی ها با ابعاد بالاتر با تابع ]11[ 53
شکل (2-15)-مثالی از تقسیم بندی غیر خطی با کرنل گوسی بر روی داده ها ]11[ 57
شکل (2-16)- منحنی تغییرات خطا نسبت به مقادیرمختلف  ]11[ 57
شکل (2-17)- (a) مجموعه داده اصلی. (b) مجموعه داده بعد از اعمال SMOTE. ) (c Tomek-Link های شناخته شده (d) مجموعه داده بعد از پاکسازی Tomek-Link ها]36[ 68

فصل اول

مقدمه و کلیات تحقیق

1-1مقدمه

کشف دانش و داده کاوی یک حوزه جدید میان رشته ای و در حال رشد است که حوزه های مختلفی همچون پایگاه داده، آمار، یادگیری ماشین و سایر زمینه های مرتبط را با هم تلفیق کرده تا اطلاعات و دانش ارزشمند نهفته در حجم بزرگی از داده ها را استخراج کند.هدف کشف دانش و داده کاوی یافتن الگوها در پایگاه داده است که در میان حجم عظیمی از داده ها مخفی هستند]1[ .کشف دانش شامل مراحل متعددی است که در این تحقیق به مرحله پیش پردازش توجه می­کنیم.
مرحله آماده سازی داده ها مهم ترین و زمانبرترین مرحله در پروژه های داده کاوی است.از آنجا که داده ها در این پروژه ها ورودی پروژه هستند هر قدر این ورودی دقیق تر باشد، خروجی کار دقیق تر خواهد بود.یعنی ما از پدیده “ورودی نامناسب، خروجی نامناسب ” دور می­شویم]1[.داده هاي خام معمولا دچار مشکلاتی مانند نویز، داده پرت، تغییرات در نمونه برداري هستند و استفاده از آنها به همین صورت موجب تضعیف نتایج مورد انتظار میشود.بنابراین باید از روشی برای بهبود نتایج استفاده کرد.پیش پردازش داده ها جهت بهبود کیفیت داده های واقعی برای داده کاوی لازم است.بنابراین پردازش اولیه ای مورد نیاز است تا مقادیر مفقوده، انحرافات و مسائلی از این دست را در داده های اولیه بیابد. پیش پردازش داده ها شامل همه تبدیلاتی است که بر روي داده هاي خام صورت می­گیرد وآنها را به صورتی در می ­آورد که براي پردازشهاي بعدي نظیر استفاده در دسته بندي و خوشه بندی، ساده تر و موثرتر می­سازد.
در حال حاضر سازمانها نیاز دارند تا بتوانند داده ها را به صورت کاراتر دسته بندی کنند و از تحلیل نتایج آن برای بهبود روند پیشرفت کسب و کار استفاده نمایند.ممکن است که داده های در دسترس ، داده هایی مبهم و مغشوش باشند و یا کلاس های داده نامتوازن باشند. بنابراین نیاز به پیش پردازش دقیق داده ها رو به افزایش است. برای پاسخ به این نیاز رو به افزایش ، افراد همواره سعی در ارائه روش های نوین و موثرتری دارند.

1-2بیان مساله

هرچند که روش های مختلفی برای پیش پردازش داده ها موجود است ولی عملکرد و دقت این روش ها متفاوت است و تلاش در جهت ارائه روشی کارامد امری ضروری است.با توجه به اهمیت داده ها در جهان کنونی و افزایش حجم داده ها مساله پیش پردازش مناسب داده ها، بخصوص داده های نامتوازن یک چالش به نظر می­رسد.اغلب روش های موجود در پیش پردازش داده های ناتوازن به سمت کلاس اکثریت تمایل دارند و این امر باعث می شود که داده های کلاس اقلیت به صورت نویز در نظر گرفته شود.
همانطور که پیش از این نیز گفته شد برای دست یابی به نتایج مطلوب در داده کاوی نیاز به پیش پردازش داده ها داریم.میتوان ادعا کرد که اگر مرحله آماده سازی داده ها به خوبی صورت نپذیرد، نتایجی بدست می ­آید که نمی­تواند مورد استفاده قرار گیرد و ممکن است که هزینه و زمان به کار رفته برای دست یابی به نتیجه موثر هدر رود و نتایج حاصل به دلیل عدم پیش پردازش مناسب داده غیر قابل استفاده و نادرست باشد.
اخيراً مشكل نامتوازن بودن كلاسها مورد توجه محققان در زمينه ی داده كاوي قرار گرفته است. در موارد متعددي كلاسي كه از نقطه نظر دامنه ی كاربردي اهميت زيادي دارد(كلاس اصلي) شامل تعداد حالات كمتري نسبت به كلاسي است كه كلاس اكثريت مي­باشد. اين مجموعه ی داده ها نامتوازن ناميده مي­شود. رويكرد سنتي داده كاوي توانايي خوبي براي پيش بيني نمونه هاي اقليت كه مورد توجه است ندارند. متأسفانه در اكثر موارد داده هاي واقعي داراي اين خصوصيت هستند. به عنوان مثال در تشخيص بيماري­هاي نادر، حملات شبكه، متنكاوي و … معمولاً توزيع داده ­ها نامتوازن مي باشد.
در واقع مساله این است که چگونه میتوان داده های نامتوازن را به گونه ای پیش پردازش کرد که در خوشه های مناسب و درست طبقه بندی شوند.بنابراین مساله این تحقیق ارائه روشی جهت پیش پردازش داده های نا متوازن است به گونه ای که کارایی و دقت آن در مقایسه با روش های دیگر بیشتر باشد.
در روش ارائه شده در این تحقیق برای ارتقای روش ماشین بردار پشتیبان از تکنیک حداقل مربعات با متر اقلیدسی استفاده نمودیم.این روش بهبود یافته را M-SVM می­نامیم.بنابراین مساله را بدین شکل طرح می نماییم، چگونه می­توان در روش پیش پردازش داده های نامتوازن به دقت بالاتری دست یافت و از پیش پردازش صحیح داده برای دست یابی به نتایج صحیح در حوزه کاربردی استفاده نمود.از انجا که داده های متفاوتی وجود دارد ما پیش پردازش بر روی مجموعه داده های نامتوازن را انتحاب کردیم