The models are capable of• inferenc

The models are capable of
• inferencing based on complete and/or partial information;
• querying the user for unknown input variables that are key to reaching a decision;
• producing justification for inferences in the form of IF-THEN rules.
The connection weights and node activation values of the trained network are used in the process. A certainty factor determines the confidence in an output decision. Note that this certainty refers to the preference criterion for the extracted rules, and is different from the notion of certain patterns of (1). Fig. 3, [18] gives an overall view of the various stages involved in the process of inferencing and rule generation.
Zhang et al. [41] have designed a granular neural network to deal with numerical-linguistic data fusion and granular knowl-edge discovery in numerical-linguistic databases. The network is capable of learning internal granular relations between input and output and predicting new relations. Low-level granular data can be compressed to generate high-level granular knowl-edge in the form of rules.
A neuro-fuzzy knowledge-based network by Mitra et al. [20] is capable of generating both positive and negative rules in lin-guistic form to justify any decision reached. In the absence of positive information regarding the belonging of a pattern to class
, the complementary information about the pattern not be-longing to class is used for generating the negative rules. The a priori class information and the distribution of pattern points in the feature space are taken into account while encoding the crude domain knowledge from the data set among the con-nection weights. Fuzzy intervals and linguistic sets are used in the process. The network topology is automatically determined,

followed by refinement using growing and/or pruning of links and nodes. The knowledge-based network converges earlier, re-sulting in more meaningful rules.
D. Genetic Algorithms
GAs are adaptive, robust, efficient, and global search methods, suitable in situations where the search space is large. They optimize a fitness function, corresponding to the prefer-ence criterion of data mining, to arrive at an optimal solution using certain genetic operators. Knowledge discovery systems have been developed using genetic programming concepts [70], [71]. The MASSON system [72], where intentional information is extracted for a given set of objects, is popular. The problem addressed is to find common characteristics of a set of objects in an object-oriented database. Genetic programming is used to automatically generate, evaluate, and select object-oriented queries. GAs are also used for several other purposes like fusion of multiple data types in multimedia databases, and automated program generation for mining multimedia data [73].
However, the literature in the domain of GA-based data mining is not as rich as that of fuzzy sets. We provide below a categorization of few such interesting systems based on the functions modeled.
1) Regression: Besides discovering human-interpretable patterns data mining also encompasses prediction [8], where some variables or attributes in the database are used to deter-mine unknown or future values of other variables of interest. The traditional weighted average or linear multiregression models for prediction require a basic assumption that there is no interaction among the attributes. GAs, on the other hand, are able to handle attribute interaction in a better manner. Xu et

al. [24] have designed a multi-input–single-output system using a nonlinear integral. An adaptive GA is used for learning the nonlinear multiregression from a set of training data.
Noda et al. [25] use GAs to discover interesting rules in a de-pendence modeling task, where different rules can predict dif-ferent goal attributes. Generally attributes with high informa-tion gain are good predictors of a class when considered indi-vidually. However attributes with low information gain could become more relevant when attribute interactions are taken into account. This phenomenon is associated with rule interesting¬ness. The degree of interestingness of the consequent is com¬puted based on the relative frequency of the value being pre¬dicted by it. In other words, the rarer the value of a goal attribute, the more interesting a rule it predicts. The authors attempt to dis¬cover a few interesting rules (knowledge nuggets) instead of a large set of accurate (but not necessarily interesting) rules.
2) Association Rules: Lopes et al. [45] evolve association rules of IF THEN type, which provide a high degree of accuracy and coverage. While the accuracy of a rule measures its degree of confidence, its coverage is interpreted as the comprehensive inclusion of all the records that satisfy the rule.Henceand are defined. Note that quantitative measures for rule evaluation have been discussed in Section III-B2, with reference to neural networks.

Hasil (Bahasa Indonesia) 1:

Model mampu• inferencing berdasarkan informasi yang lengkap dan/atau parsial;• query pengguna untuk variabel input tidak diketahui yang merupakan kunci untuk mencapai keputusan;• menghasilkan pembenaran untuk kesimpulan dalam bentuk jika-maka aturan.Bobot koneksi dan nilai-nilai aktivasi node jaringan terlatih yang digunakan dalam proses. Kepastian faktor menentukan keyakinan dalam keputusan output. Perhatikan bahwa kepastian ini mengacu pada preferensi kriteria untuk aturan diekstrak, dan berbeda dari gagasan tentang pola tertentu (1). Fig. 3, [18] memberikan pandangan keseluruhan terlibat dalam proses inferencing dan aturan generasi berbagai tahap.Zhang et al. [41] telah merancang jaringan saraf yang rinci untuk menangani data numerik linguistik fusion dan penemuan knowl-tepi rinci dalam database numerik-linguistik. Jaringan mampu belajar internal rinci hubungan antara input dan output dan memprediksi hubungan baru. Tingkat rendah granular data tersebut dapat kita kompresi untuk menghasilkan tingkat tinggi rinci knowl-tepi dalam bentuk aturan.Jaringan berbasis pengetahuan neuro fuzzy oleh Mitra et al. [20] mampu menghasilkan aturan baik positif dan negatif dalam bentuk lin-guistic untuk membenarkan keputusan dicapai. Dalam ketiadaan informasi positif mengenai milik pola kelas, melengkapi informasi tentang pola tidak akan-kerinduan untuk kelas yang digunakan untuk menghasilkan aturan negatif. Informasi apriori kelas dan distribusi pola poin di ruang fitur diperhitungkan saat pengkodean mentah domain pengetahuan dari set data antara bobot con-pakan keterkaitan tersebut. Interval kabur dan set linguistik yang digunakan dalam proses. Topologi jaringan secara otomatis ditentukan, diikuti oleh perbaikan menggunakan tumbuh dan/atau pemangkasan link dan node. Jaringan berbasis pengetahuan menyatu sebelumnya, re-sulting dalam aturan lebih bermakna.D. algoritma genetikGAs adalah metode pencarian adaptif, kuat, efisien, dan global, cocok dalam situasi dimana ruang pencarian besar. Mereka mengoptimalkan fungsi Kebugaran, sesuai dengan kriteria memilih-masa kemerdekaan data pertambangan, tiba di solusi optimal yang menggunakan operator genetik tertentu. Sistem penemuan pengetahuan telah dikembangkan menggunakan konsep pemrograman genetik [70] [71]. Sistem MASSON [72], yang mana informasi disengaja diekstraksi untuk set objek tertentu, populer. Masalah yang ditangani adalah untuk menemukan karakteristik umum dari serangkaian benda-benda di object-oriented database. Pemrograman genetik digunakan untuk secara otomatis menghasilkan, mengevaluasi, dan pilih pertanyaan berorientasi objek. GAs juga digunakan untuk beberapa keperluan lainnya seperti perpaduan beberapa tipe data dalam database multimedia, dan program otomatis generasi untuk pertambangan data multimedia [73].Namun, literatur dalam domain berbasis GA data pertambangan ini tidak sekaya yang kabur set. Kami menyediakan di bawah kategorisasi beberapa sistem seperti menarik berdasarkan fungsi-fungsi yang dimodelkan.1) regresi: Selain menemukan pola-pola yang ditafsirkan manusia data pertambangan juga meliputi prediksi [8], di mana beberapa variabel atau atribut dalam database yang digunakan untuk mencegah tambang tidak diketahui atau masa depan nilai dari variabel-variabel lainnya yang menarik. Rata-rata tertimbang tradisional atau linier multiregression model prediksi memerlukan asumsi bahwa ada tidak ada interaksi antara atribut. GAs, di sisi lain, mampu menangani atribut interaksi dalam cara yang lebih baik. Xu et Al. [24] telah merancang sistem multi-masukan-single-output menggunakan nonlinear integral. GA adaptif digunakan untuk belajar multiregression nonlinier dari satu set data pelatihan.Noda et al. [25] menggunakan GAs untuk menemukan menarik aturan dalam tugas de-mengelola pembangu pemodelan, dimana aturan yang berbeda dapat memprediksi dif-ferent tujuan atribut. Umumnya atribut dengan gain tinggi informa-tion adalah prediktor yang baik dari kelas ketika dianggap indi-vidually. Namun mendapatkan atribut dengan rendah informasi bisa menjadi lebih relevan ketika atribut interaksi diperhitungkan. Fenomena ini dikaitkan dengan aturan interesting¬ness. Tingkat interestingness konsekuen adalah com¬puted berdasarkan frekuensi relatif nilai yang pre¬dicted oleh itu. Dengan kata lain, yang jarang nilai tujuan atribut, yang lebih menarik aturan memprediksi. Penulis upaya untuk dis¬cover beberapa menarik aturan (pengetahuan nugget) bukan set besar aturan akurat (tetapi tidak selalu menarik).2) aturan Asosiasi: Lopes et al. [45] berkembang aturan Asosiasi jika kemudian jenis, yang menyediakan tingkat tinggi akurasi dan jangkauan. Sementara keakuratan aturan mengukur tingkat kepercayaan diri, cakupan ditafsirkan sebagai komprehensif dimasukkannya semua catatan yang memenuhi aturan. Henceand didefinisikan. Perhatikan bahwa ukuran kuantitatif untuk evaluasi aturan telah dibahas dalam Bagian III-B2, dengan mengacu pada jaringan saraf.

Hasil (Bahasa Indonesia) 2:

Model mampu
• inferensia berdasarkan informasi yang lengkap dan / atau parsial;
• query pengguna untuk variabel input yang tidak diketahui yang merupakan kunci untuk mencapai keputusan;
• memproduksi pembenaran untuk kesimpulan dalam bentuk IF-THEN aturan.
Bobot koneksi dan nilai-nilai aktivasi simpul jaringan dilatih digunakan dalam proses. Faktor kepastian menentukan kepercayaan keputusan output. Perhatikan bahwa kepastian ini mengacu pada kriteria preferensi untuk aturan diekstraksi, dan berbeda dari gagasan pola tertentu (1). Gambar. 3, [18] memberikan gambaran menyeluruh dari berbagai tahap yang terlibat dalam proses inferensia dan pembangkitan rule.
Zhang et al. [41] telah merancang jaringan saraf granular untuk menangani numerik-linguistik fusi data dan granular penemuan penge-tepi dalam database numerik-linguistik. Jaringan ini mampu belajar hubungan granular internal antara input dan output dan memprediksi hubungan baru. Low-level Data granular dapat dikompresi untuk menghasilkan tingkat tinggi granular penge-tepi dalam bentuk aturan.
Sebuah jaringan berbasis pengetahuan neuro-fuzzy oleh Mitra et al. [20] mampu menghasilkan aturan positif dan negatif dalam bentuk lin-guistic untuk membenarkan keputusan tercapai. Dengan tidak adanya informasi positif mengenai milik dari pola untuk
kelas, informasi pelengkap tentang pola tidak-rindu untuk kelas digunakan untuk menghasilkan aturan negatif. Apriori informasi kelas dan distribusi poin pola dalam ruang fitur diperhitungkan sementara pengkodean pengetahuan domain mentah dari kumpulan data antara bobot con-connection. Interval fuzzy dan set bahasa yang digunakan dalam proses. Topologi jaringan secara otomatis ditentukan, diikuti oleh perbaikan menggunakan tumbuh dan / atau pemangkasan link dan node. Jaringan berbasis pengetahuan menyatu sebelumnya, re-sulting dalam aturan lebih bermakna. D. Algoritma Genetika GAs yang adaptif, kuat, efisien, dan metode pencarian global, cocok dalam situasi di mana ruang pencarian besar. Mereka mengoptimalkan fungsi kebugaran, sesuai dengan lebih-ence kriteria data mining, untuk sampai pada solusi optimal menggunakan operator genetik tertentu. Sistem penemuan pengetahuan telah dikembangkan menggunakan konsep pemrograman genetik [70], [71]. The MASSON sistem [72], di mana informasi yang disengaja diekstrak untuk satu set objek, yang populer. Masalah dibenahi adalah untuk menemukan karakteristik umum dari satu set objek dalam database berorientasi objek. Pemrograman genetik digunakan untuk secara otomatis menghasilkan, mengevaluasi, dan pilih query berorientasi objek. GAs juga digunakan untuk beberapa tujuan lain seperti perpaduan dari beberapa jenis data dalam database multimedia, dan generasi program otomatis untuk data multimedia mining [73]. Namun, literatur dalam domain GA berbasis data mining tidak sekaya yang dari fuzzy set. Kami menyediakan bawah kategorisasi dari beberapa sistem yang menarik tersebut berdasarkan fungsi model. 1) Regresi: Selain menemukan pola-manusia ditafsirkan data mining juga mencakup prediksi [8], di mana beberapa variabel atau atribut dalam database yang digunakan untuk mencegah tambang tidak diketahui atau nilai-nilai masa depan variabel lain yang menarik. Rata-rata tertimbang atau linear multiregresi model tradisional untuk prediksi memerlukan asumsi dasar bahwa tidak ada interaksi antara atribut. GAs, di sisi lain, dapat menangani atribut interaksi dengan cara yang lebih baik. Xu et al. [24] telah merancang sebuah sistem multi-input-tunggal-output menggunakan nonlinear terpisahkan. Sebuah GA adaptif digunakan untuk belajar multiregresi nonlinier dari set data pelatihan. Noda dkk. [25] menggunakan GAs untuk menemukan aturan yang menarik dalam tugas pemodelan de-pendence, di mana aturan yang berbeda dapat memprediksi atribut tujuan dif-ferent. Umumnya atribut dengan gain informa-tion tinggi adalah prediktor yang baik dari kelas ketika dianggap indi-vidually. Namun atribut dengan gain informasi rendah bisa menjadi lebih relevan bila interaksi atribut diperhitungkan. Fenomena ini dikaitkan dengan aturan interesting¬ness. Tingkat interestingness dari konsekuen yang com¬puted berdasarkan frekuensi relatif dari nilai yang pre¬dicted oleh itu. Dengan kata lain, jarang nilai atribut tujuan, yang lebih menarik aturan itu memprediksi. Para penulis mencoba untuk dis¬cover beberapa aturan yang menarik (nugget pengetahuan) bukan satu set besar akurat (tetapi tidak harus menarik) aturan. 2) Asosiasi Aturan: Lopes et al. [45] berevolusi aturan asosiasi IF THEN ketik, yang memberikan tingkat akurasi yang tinggi dan jangkauan. Sedangkan akurasi aturan mengukur derajat kepercayaan, cakupannya ditafsirkan sebagai inklusi komprehensif dari semua catatan yang memuaskan rule.Henceand yang didefinisikan. Perhatikan bahwa ukuran kuantitatif untuk evaluasi aturan telah dibahas dalam Bagian III-B2, dengan mengacu pada jaringan saraf.