In the “Promoter recognition”, “Wis

In the “Promoter recognition”, “Wisconsin Breast Cancer”, “Tic Tac Toe Endgame” and “Car Evaluation” databases, we have used cross-validation as the testing methodology. More specifically, we have used ten-fold cross-validation in which the training set Yis permuted and partitioned equally into ten disjoint sets YT, T= 1, ..., 10. In each of the ten evaluation phases, one of the sets YT, which has never been seen during learning, is used for testing (test set), while all the remaining nine sets are used as training set by applying the

proposed classification method. Furthermore, the proportions of the classes in each of the ten test sets are similar to the proportions of the classes in the training sample as a whole. It is also obvious that the set of decision rules along with the number of decision rules are different for each of the ten phases. As far as the “Monk 1” database is concerned, it includes a training set and a test set by definition. Thus, all that is needed is to extract the decision rules for the training set and apply the method to the test set. The evaluation of the proposed method is achieved through the comparison of its accuracy with the accuracy of the data mining classification algorithms used for the extraction of the decision rules.
We have used three different data mining classification algo-rithms for the training process of the databases. The first one is the decision tree algorithm C4.5 [3], in two different forms, one with pruning (denoted by C4.5 Pr in the result figures that follow) and the other one without pruning (denoted by C4.5). The pruning process eliminates nodes that are overspecialized. The other algorithms are the rule-based algorithms CN2 [4] and CL2 [5]. In order to extract the decision rules from C4.5 and CN2 algorithms, we have imple¬mented a system in Borland C++ Builder. In addition, the extraction of the decision rules from CL2 algorithm was conducted through the algorithm's software [5]. The experimental data, as well as the ex¬ecutable code of CLEDM, are available upon request. The numerical results are listed below.

Results (Indonesian) 1:

Dalam "Promotor pengenalan", "Wisconsin Breast Cancer", "Tic Tac Toe Endgame" dan "Mobil evaluasi" database, kami telah menggunakan cross-validation sebagai pengujian metodologi. Lebih khusus lagi, kami telah menggunakan salib-validasi ten-fold, di mana pelatihan mengatur Yis permuted dan sama-sama dibagi menjadi sepuluh utma set YT, T = 1,..., 10. Dalam setiap fase evaluasi sepuluh, salah satu set YT, yang belum pernah terlihat selama pembelajaran, digunakan untuk pengujian (test set), sementara semua sembilan sets tersisa digunakan sebagai pelatihan set dengan menerapkan metode diusulkan klasifikasi. Selain itu, proporsi kelas masing-masing dari sepuluh set tes mirip dengan proporsi kelas dalam sampel pelatihan secara keseluruhan. Ianya juga jelas bahwa seperangkat aturan keputusan bersama dengan jumlah keputusan aturan berbeda untuk masing-masing sepuluh tahap. Sejauh sebagai "biarawan 1" database yang bersangkutan, termasuk serangkaian pelatihan dan tes yang ditetapkan oleh definisi. Jadi, semua yang diperlukan adalah untuk mengekstrak aturan keputusan untuk mengatur pelatihan dan menerapkan metode untuk tes set. Evaluasi metoda yang diusulkan dicapai melalui perbandingan keakuratannya dengan akurasi data pertambangan klasifikasi algoritma yang digunakan untuk ekstraksi aturan keputusan.Kami telah menggunakan tiga berbeda data pertambangan klasifikasi algo-rithms untuk proses pelatihan database. Yang pertama adalah algoritma pohon keputusan C4.5 [3], dalam dua bentuk yang berbeda, satu dengan pemangkasan (dilambangkan oleh C4.5 Pr angka-angka hasil yang mengikuti) dan yang lain tanpa pemangkasan (dilambangkan oleh C4.5). Proses pemangkasan menghilangkan node yang adalah overspecialized. Algoritma lainnya adalah algoritma berbasis aturan CN2 [4] dan CL2 [5]. Untuk ekstrak aturan keputusan dari algoritma C4.5 dan CN2, kami memiliki imple¬mented sebuah sistem di Borland C ++ Builder. Selain itu, ekstraksi aturan keputusan dari CL2 algoritma ini dilakukan melalui algoritma perangkat lunak [5]. Data eksperimen, serta kode ex¬ecutable CLEDM, tersedia berdasarkan permintaan. Numerik hasil tercantum di bawah ini.

Results (Indonesian) 2:

Dalam "Promotor pengakuan", "Wisconsin Kanker Payudara", "Tic Tac Toe Endgame" dan "Evaluasi Mobil" database, kita telah menggunakan cross-validasi sebagai metodologi pengujian. Lebih khusus, kami telah menggunakan sepuluh kali lipat cross-validasi di mana pelatihan ditetapkan YIS permutasi dan dipartisi sama menjadi sepuluh set menguraikan YT, T = 1, ..., 10. Dalam setiap sepuluh tahap evaluasi, salah satu set YT, yang belum pernah terlihat selama pembelajaran, digunakan untuk pengujian (test set), sementara semua yang tersisa sembilan set digunakan sebagai pelatihan ditetapkan dengan menerapkan metode klasifikasi yang diusulkan. Selanjutnya, proporsi kelas di masing-masing sepuluh set tes serupa dengan proporsi kelas dalam sampel pelatihan secara keseluruhan. Hal ini juga jelas bahwa seperangkat aturan keputusan bersama dengan sejumlah aturan keputusan yang berbeda untuk masing-masing dari sepuluh fase. Sejauh "Monk 1" Database yang bersangkutan, itu termasuk satu set pelatihan dan uji ditetapkan oleh definisi. Dengan demikian, semua yang diperlukan adalah untuk mengekstrak aturan keputusan untuk set pelatihan dan menerapkan metode untuk set tes. Evaluasi dari metode yang diusulkan dicapai melalui perbandingan akurasi dengan akurasi algoritma klasifikasi data mining yang digunakan untuk ekstraksi aturan keputusan. Kami telah menggunakan tiga berbeda klasifikasi data mining algo-rithms untuk proses pelatihan dari database . Yang pertama adalah C4.5 algoritma pohon keputusan [3], dalam dua bentuk yang berbeda, satu dengan pemangkasan (dilambangkan dengan C4.5 Pr dalam angka hasil yang mengikuti) dan yang lainnya tanpa pemangkasan (dilambangkan dengan C4.5) . Proses pemangkasan menghilangkan node yang overspecialized. Algoritma lainnya adalah algoritma berbasis aturan CN2 [4] dan CL2 [5]. Untuk mengekstrak aturan keputusan dari C4.5 dan CN2 algoritma, kami telah imple¬mented sistem di Borland C ++ Builder. Selain itu, ekstraksi aturan keputusan dari algoritma CL2 dilakukan melalui perangkat lunak algoritma [5]. Data eksperimen, serta kode ex¬ecutable dari CLEDM, tersedia atas permintaan. Hasil numerik tercantum di bawah ini.