B. Neural NetworksNeural networks w

B. Neural Networks
Neural networks were earlier thought to be unsuitable for data mining because of their inherent black-box nature. No in-formation was available from them in symbolic form, suitable for verification or interpretation by humans. Recently there has been widespread activity aimed at redressing this situation, by extracting the embedded knowledge in trained networks in the

form of symbolic rules [34]. This serves to identify the attributes that, either individually or in a combination, are the most signifi¬cant determinants of the decision or classification. Unlike fuzzy sets, the main contribution of neural nets toward data mining stems from rule extraction and clustering.
1) Rule Extraction: In general, the primary input to a con-nectionist rule extraction algorithm is a representation of the trained neural network, in terms of its nodes, links and some-times the data set. One or more hidden and output units are used to automatically derive the rules, which may later be com¬bined and simplified to arrive at a more comprehensible rule set. These rules can also provide new insights into the application domain. The use of neural nets helps in 1) incorporating paral¬lelism and 2) tackling optimization problems in the data domain. The models are usually suitable in data-rich environments.
Typically a network is first trained to achieve the required accuracy rate. Redundant connections of the network are then removed using a pruning algorithm. The link weights and acti-vation values of the hidden units in the network are analyzed, and classification rules are generated [34], [35].
2) Rule Evaluation: Here we provide some quantitative measures to evaluate the performance of the generated rules [68]. This relates to the preference criteria/goodness of fit chosen for the rules. Let be an matrix whose th
element indicates the number of patterns actually belonging
to class , but classified as class .
• Accuracy: It is the correct classification percentage, pro
vided by the rules on a test set defined as ,
where is equal to the number of points in class and
of these points are correctly classified

Hasil (Bahasa Indonesia) 1:

B. jaringan sarafJaringan saraf yang sebelumnya dianggap tidak cocok untuk data pertambangan karena sifatnya kotak hitam yang melekat. Tidak ada dalam pembentukan yang tersedia dari mereka dalam bentuk simbolis, cocok untuk verifikasi atau penafsiran oleh manusia. Baru-baru ini telah ada luas kegiatan yang ditujukan untuk redressing situasi ini, dengan mengekstrak pengetahuan yang tertanam dalam jaringan yang terlatih dalam bentuk simbolis aturan [34]. Ini berfungsi untuk mengidentifikasi atribut yang, baik secara individu atau dalam kombinasi, kebanyakan signifi¬cant faktor penentu keputusan atau klasifikasi. Tidak seperti kabur set, kontribusi utama saraf jaring terhadap data pertambangan berasal dari aturan ekstraksi dan pengelompokan.1) aturan ekstraksi: secara umum, input utama ke con-nectionist aturan ekstraksi algoritma adalah representasi dari jaringan saraf terlatih, dalam hal nodenya, link dan beberapa-kali data set. Satu atau lebih tersembunyi dan output unit digunakan untuk secara otomatis mendapatkan aturan, yang kemudian dapat com¬bined dan disederhanakan untuk tiba di satu set aturan yang lebih mudah dipahami. Aturan ini juga dapat memberikan wawasan baru ke dalam aplikasi domain. Penggunaan jaring saraf membantu dalam 1) menggabungkan paral¬lelism dan 2) menangani masalah optimasi di data domain. Model ini biasanya cocok dalam lingkungan data-kaya.Biasanya sebuah jaringan pertama dilatih untuk mencapai tingkat akurasi yang diperlukan. Berlebihan koneksi jaringan kemudian dihapus menggunakan algoritma pemangkasan. Link bobot dan nilai-nilai Ashbury-vation unit tersembunyi dalam jaringan dianalisis, dan aturan-aturan klasifikasi yang dihasilkan [34], [35].2) evaluasi aturan: Di sini kami menyediakan beberapa ukuran kuantitatif untuk mengevaluasi kinerja aturan dihasilkan [68]. Ini berhubungan dengan preferensi kriteria/kebaikan cocok dipilih untuk aturan. Biarkan menjadi matriks th yangelemen menunjukkan jumlah pola-pola yang benar-benar milikuntuk kelas, tetapi diklasifikasikan sebagai kelas.• Akurasi: itu adalah persentase benar klasifikasi, pro vided oleh peraturan pada tes ditetapkan didefinisikan sebagai,mana sama dengan jumlah poin di kelas dantitik-titik ini benar diklasifikasikan

Hasil (Bahasa Indonesia) 2:

B. Neural Networks
Jaringan saraf yang sebelumnya dianggap tidak cocok untuk data mining karena melekat black-box sifatnya. Tidak ada dalam formasi yang tersedia dari mereka dalam bentuk simbolik, cocok untuk verifikasi atau interpretasi oleh manusia. Baru-baru ini telah ada aktivitas luas yang bertujuan untuk menebus situasi ini, dengan mengekstraksi pengetahuan tertanam dalam jaringan terlatih dalam bentuk aturan simbolik [34]. Ini berfungsi untuk mengidentifikasi atribut yang, baik secara individual maupun kombinasi, adalah penentu paling signifi¬cant dari keputusan atau klasifikasi. Tidak seperti fuzzy set, kontribusi utama dari jaring saraf menuju data mining berasal dari ekstraksi aturan dan clustering. 1) Peraturan Ekstraksi: Secara umum, input utama untuk algoritma ekstraksi aturan con-nectionist adalah representasi dari jaringan saraf yang terlatih, dalam hal node yang, link dan beberapa kali set data. Satu atau lebih tersembunyi dan output unit digunakan untuk secara otomatis menurunkan aturan, yang mungkin nantinya akan com¬bined dan disederhanakan untuk tiba pada suatu set aturan yang lebih dipahami. Aturan-aturan ini juga dapat memberikan wawasan baru ke dalam domain aplikasi. Penggunaan jaring saraf membantu dalam 1) menggabungkan paral¬lelism dan 2) mengatasi masalah optimasi dalam domain data. Model biasanya cocok di lingkungan yang kaya data. Biasanya jaringan pertama dilatih untuk mencapai tingkat akurasi yang diperlukan. Koneksi berlebihan dari jaringan kemudian diangkat dengan menggunakan algoritma pemangkasan. Link bobot dan acti-elevasi nilai dari unit tersembunyi dalam jaringan dianalisis, dan aturan klasifikasi yang dihasilkan [34], [35]. 2) Peraturan Evaluasi: Berikut kami berikan beberapa ukuran kuantitatif untuk mengevaluasi kinerja aturan yang dihasilkan [68]. Hal ini berkaitan dengan kriteria preferensi / goodness of fit dipilih untuk aturan. Biarkan menjadi matriks yang th unsur menunjukkan jumlah pola sebenarnya milik kelas, tetapi diklasifikasikan sebagai kelas. • Akurasi: Ini adalah persentase klasifikasi yang benar, pro vided oleh aturan pada set tes didefinisikan sebagai, di mana adalah sama dengan nomor poin di kelas dan dari titik-titik ini diklasifikasikan dengan benar