Abstracto

Minería de datos 2016: aplicación de conjuntos aproximados y la teoría de evidencia de Dempster-Shafer en la minería de datos espaciales - Iftikhar U Sikder - Universidad Estatal de Cleveland

Iftikhar U Sikder

  Este artículo presenta un nuevo enfoque para la clasificación espacial y predicción de clases de cobertura terrestre utilizando la teoría de conjuntos aproximados y evidencias. En particular, presenta un enfoque para caracterizar la incertidumbre en un problema de clasificación supervisada de múltiples fuentes. La estructura evidencial de la clasificación espacial se basa en las nociones de relaciones de equivalencia de conjuntos aproximados. Permite expresar conceptos espaciales en términos de espacio de aproximación en el que una clase de elección a menudo se aproxima a través de la partición de la región límite. Una ventaja clave de este enfoque es que permite incorporar el contexto de interacciones de vecindad espacial y la combinación de múltiples evidencias espaciales. El resultado empírico demuestra que el rendimiento predictivo del clasificador de modelos mejora significativamente la precisión de la clasificación. Una comparación del rendimiento predictivo del modelo con el algoritmo de red neuronal artificial basado en funciones de base radial muestra que el rendimiento predictivo del modelo propuesto es significativamente mejor que el modelo de red neuronal. Se ha prestado una atención creciente al procesamiento de datos espaciales y al descubrimiento de conocimiento (SDMKD). Este artículo presenta los principios de SDMKD, propone tres nuevas técnicas y proporciona su aplicabilidad y ejemplos. Primero, se resume la motivación de SDMKD. En segundo lugar, se presenta la intención y la extensión del concepto SDMKD. En tercer lugar, se proponen tres nuevas técnicas durante esta sección, es decir, la clasificación de imágenes basada en SDMKD que integra el aprendizaje inductivo espacial de la base de datos SIG y la clasificación bayesiana, el modelo de nubes que integra la aleatoriedad y la imprecisión, el campo de datos que irradia la energía de los datos observados al discurso del universo. En cuarto lugar, se estudia la aplicabilidad y los ejemplos en tres casos. El primero es la clasificación de teledetección, el segundo es el procesamiento de datos de monitoreo de deslizamientos de tierra y, por lo tanto, el tercero es el razonamiento incierto. Finalmente, se concluye y discute todo el documento. El progreso técnico en la adquisición y almacenamiento de datos computarizados conduce a la expansión de vastas bases de datos. Con el aumento y la acumulación continuos, las grandes cantidades de datos computarizados han excedido con creces la capacidad humana para interpretarlos y usarlos por completo. Estos fenómenos pueden ser más graves en la ciencia geoespacial. Para comprender y hacer un uso completo de estos repositorios de datos, se han probado algunas técnicas, por ejemplo, sistema experto, sistema de gestión, análisis de datos espaciales, aprendizaje automático e IA. En 1989 se propuso el descubrimiento de conocimiento en bases de datos. En 1995, también apareció la minería de datos. Como tanto la minería de datos como el descubrimiento de conocimiento en bases de datos prácticamente apuntan a las mismas técnicas, a la gente le gustaría llamarlos juntos, es decir, minería de datos y descubrimiento de conocimiento (DMKD). Como el 80% de los datos están georreferenciados, la necesidad obliga a la gente a pensar en las características espaciales en DMKD y a desarrollar aún más una rama de la ciencia geoespacial, es decir, SDMKD (Li, Cheng, 1994; Ester et al., 2000).Los datos espaciales son más complejos, más cambiantes y más grandes que los conjuntos de datos de asuntos comunes. La dimensión espacial significa que cada elemento de conocimiento presenta una referencia espacial (Haining, 2003) donde cada entidad aparece en la superficie continua, o donde la relación de referencia espacial existe entre dos entidades vecinas. Los datos espaciales incluyen no solo datos de posición y datos de atributos, sino también relaciones espaciales entre entidades espaciales. Además, la estructura de datos espaciales es más compleja que las tablas en las bases de datos relacionales ordinarias. Además de los datos tabulares, existen datos gráficos vectoriales y rasterizados en las bases de datos espaciales. Y las características de los datos gráficos no se almacenan explícitamente dentro de la base de datos. Al mismo tiempo, los SIG contemporáneos solo tienen funcionalidades de análisis básicas, cuyos resultados son explícitos. Y es bajo la idea de dependencia y en la idea de los datos muestreados que la geoestadística estima en ubicaciones no muestreadas o crea un mapa del atributo. Debido a que el conocimiento espacial descubierto puede respaldar y mejorar la toma de decisiones referenciada por datos espaciales, se ha prestado una atención creciente al estudio, desarrollo y aplicación de SDMKD.  

Biografía

Iftikhar U Sikder es profesor asociado designado conjuntamente en el Departamento de Ciencias de la Información, el Departamento de Ingeniería Eléctrica y Ciencias de la Computación de la Universidad Estatal de Cleveland, EE. UU. Sus intereses de investigación incluyen la computación blanda, la computación granular, la minería de datos y los sistemas de apoyo a la toma de decisiones colaborativas. Sus artículos aparecieron en el Journal of Risk Analysis, Expert Systems with Applications, International Journal of Mobile Communications, Information Resources Management Journal, International Journal of Management & Decision Making y International Journal of Aerospace Survey and Earth Sciences. Es autor de numerosos capítulos de libros y ha presentado artículos en muchas conferencias nacionales e internacionales.