روش dea با قدرت تشخیص بیشتر در داده کاوی

الگوریتم های داده کاوی مانند اپریوری الگوریتم تعداد زیادی از قوانین وابستگی را کشف و استخراج می کند، که تنها تعداد اندکی از آن ها با توجه به محدودیت بودجه و منابع بکار گرفته می شود از این رو ارزیابی و درجه بندی جالب و مفید بودن آن ها در داده کاوی اهمیت دارد. با توجه به اینکه اندازه های جالب بدون در نظر گرفتن الگوهای استخراج شده توسط داده کاوی نقش مهمی را در داده کاوی ایفا می کنند می توان از این اندازه ها با توجه به علاقه بالقوه کاربر برای انتخاب و درجه بندی کردن الگوهای بدست آمده، استفاده کرد. همان طور که در بالا اشاره شد با توجه به محدودیت منابع و بودجه مهم است که بتوانیم قوانین با کیفیت و مفید را ارزیابی و درجه بندی کنیم. در این پایان نامه از تحلیل پوششی داده ها به عنوان یک روش غیر پارامتری موثر برای درجه بندی تمام قوانین وابستگی با استفاده از تمایز حداکثری بین معیارهای جالب یا همان وزن های dea استفاده شده است. در این راستا مدل های متعددی مطرح و بررسی شده است که به تعدادی از آن ها در این پایان نامه اشاره می شود و معایب، محاسن و اشکالات آن ها مورد بررسی قرار می گیرد و در نهایت روشی جامع که می تواند کاراترین قواعد انجمنی را تنها با حل یک مسئله برنامه ریزی خطی بدست آورد بررسی می گردد.