Proactive Data Mining with Decision Trees

این کتاب یک روش پیشگیرانه و مبتنی بر دامنه برای کارهای طبقه بندی را بررسی می کند. این رویکرد پیشگیرانه جدید برای داده کاوی نه تنها مدلی را برای پیش‌بینی یا توضیح یک پدیده القا می‌کند، بلکه از دانش مشکل/دامنه خاص برای پیشنهاد اقدامات خاص برای دستیابی به تغییرات بهینه در مقدار ویژگی هدف استفاده می‌کند. به طور خاص، نویسندگان یک پیاده‌سازی خاص از رویکرد پیشگیرانه مبتنی بر دامنه برای درختان طبقه‌بندی را پیشنهاد می‌کنند. تمرکز این کتاب بر ایده اصلی انتقال مشاهدات از یک شاخه درخت به شاخه دیگر است. این یک معیار جدید تقسیم بندی برای درختان تصمیم به نام حداکثر مطلوبیت معرفی می کند که پتانسیل افزایش سودآوری در درخت خروجی را به حداکثر می رساند. دو مطالعه موردی در دنیای واقعی، یکی از اپراتورهای بی‌سیم پیشرو و دیگری از یک شرکت امنیتی بزرگ، نیز گنجانده شده‌اند و نشان می‌دهند که چگونه استفاده از رویکرد فعالانه برای وظایف طبقه‌بندی می‌تواند مشکلات تجاری را حل کند. داده کاوی پیشگیرانه با درختان تصمیم برای محققان، پزشکان و دانشجویان سطح پیشرفته در نظر گرفته شده است.

This book explores a proactive and domain-driven method to classification tasks. This novel proactive approach to data mining not only induces a model for predicting or explaining a phenomenon, but also utilizes specific problem/domain knowledge to suggest specific actions to achieve optimal changes in the value of the target attribute. In particular, the authors suggest a specific implementation of the domain-driven proactive approach for classification trees. The book centers on the core idea of moving observations from one branch of the tree to another. It introduces a novel splitting criterion for decision trees, termed maximal-utility, which maximizes the potential for enhancing profitability in the output tree. Two real-world case studies, one of a leading wireless operator and the other of a major security company, are also included and demonstrate how applying the proactive approach to classification tasks can solve business problems. Proactive Data Mining with Decision Trees is intended for researchers, practitioners and advanced-level students.