include decision rules, decision li

include decision rules, decision lists, decision trees, ripple down rule sets, inductive logic programs, neural networks, etc. Decision rules are the simplest of these output formats. They are actually “if-then” rules, where the “if” part is a conjunction of attribute-value pairs representing the sufficient conditions in order for the class value in¬dicated in the “then” part to apply. Typically, these decision rules are mutually exclusive and are extracted through a training process of the data mining classification algorithms. Each object from the training data may be thought of as a highly specialized individual decision rule. The aim of extracting decision rules is to evolve the individual rules into general rules that will describe classes. The pro¬cess of generalization is iterative and is stopped when rules cannot be evolved any more, or because some other stopping criteria have been reached. The extracted decision rules are then applied to the data set for classifying the objects. Note that most output formats of data mining algorithms, such as neural networks and decision trees, can be transformed to decision rules [19,20].

Results (Indonesian) 1:

termasuk keputusan peraturan, keputusan daftar, pohon keputusan, riak turun set aturan, induktif logika program, jaringan saraf, dll. Keputusan aturan yang sederhana ini format output. Mereka adalah benar-benar "jika-maka" aturan, di mana bagian "jika" adalah sebuah gabungan dari pasangan nilai atribut yang mewakili kondisi yang cukup agar kelas nilai in¬dicated di bagian "selanjutnya" untuk menerapkan. Biasanya, aturan-aturan keputusan ini saling eksklusif dan diekstrak melalui proses pelatihan data pertambangan klasifikasi algoritma. Setiap objek dari data pelatihan dapat dianggap sebagai aturan keputusan individu yang sangat khusus. Tujuan dari penggalian aturan keputusan adalah mengembangkan aturan individu ke dalam aturan umum yang akan menjelaskan kelas. Pro¬cess generalisasi berulang-ulang dan berhenti ketika aturan tidak dapat berkembang lagi, atau karena beberapa kriteria berhenti lainnya telah dicapai. Aturan diekstrak keputusan kemudian diterapkan ke set data untuk mengklasifikasikan objek. Perhatikan bahwa kebanyakan output format data pertambangan algoritma, seperti jaringan saraf dan pohon-pohon keputusan, dapat mengubah aturan-aturan keputusan [19,20].

Results (Indonesian) 2:

termasuk aturan-aturan keputusan, daftar keputusan, pohon keputusan, riak bawah set aturan, program logika induktif, jaringan saraf, dll aturan Keputusan yang paling sederhana format output ini. Mereka sebenarnya "jika-maka" aturan, di mana "jika" bagian adalah gabungan dari atribut-nilai pasangan yang mewakili kondisi yang cukup agar nilai kelas in¬dicated di "kemudian" bagian untuk menerapkan. Biasanya, aturan keputusan ini saling eksklusif dan diekstrak melalui proses pelatihan dari algoritma klasifikasi data mining. Setiap objek dari data pelatihan dapat dianggap sebagai aturan keputusan individu yang sangat khusus. Tujuan dari penggalian aturan keputusan untuk berkembang aturan individu menjadi aturan umum yang akan menjelaskan kelas. The pro¬cess generalisasi adalah berulang dan berhenti ketika aturan tidak dapat berkembang lagi, atau karena beberapa kriteria berhenti lainnya telah tercapai. Aturan keputusan yang diambil kemudian diterapkan pada data yang ditetapkan untuk mengklasifikasikan obyek. Perhatikan bahwa sebagian besar format output dari algoritma data mining, seperti jaringan saraf dan pohon keputusan, dapat diubah menjadi aturan keputusan [19,20].