数据挖掘在生产过程中的应用

（平均实例），该属性使用树进行高度分类，27个实例中有22个是Na"ive Bayes，27个实例中有15个是supportvector machine的最低分类。（很好的例子），使用AdaBoost对属性进行了高度分类，30个实例中有27个，最低分类来自KNearest邻居（KNN），30个实例中有11个。（Goodinstance），使用支持向量机（SVM）和AdaBoost对该属性进行高度分类，64个实例中有56个实例，最低分类来自K最近邻（KNN），46个实例中有43个实例。图2.30 Hamza Saad：数据挖掘在生产过程中的应用图2给出了混淆矩阵。七种算法的混淆矩阵。3.3. 接收器工作特性接收器工作特性从0缩放到1，0表示预测不良，1表示预测较高。Sevencolors Azura、勃艮第、祖母绿、铜、梨、蓝紫色和淡蓝色分别与树木、神经网络、随机森林、KNN、AdaBoost、SVM和天真贝叶斯区分开来。在X轴上有FP率（1特异性），在Y轴上有TP率（敏感性）。图3显示了数据集中使用每个appliedalgorithm输出的三个实例的接收器工作特性（ROC）。工业工程2018；2（1）：26-33 3132 Hamza Saad：数据挖掘在生产过程中的应用图3。每个属性的接收器操作特征（ROC曲线）随机森林算法给出的曲线下的最高面积达到（0.932），然后朴素贝叶斯得到曲线下的（0.908）面积。KNN（K近邻）记录了所有算法中曲线下的最小面积，达到（0.668）。

决策树及其集成算法记录了原始贝叶斯旁边曲线下的最佳区域。4.结论传统的分析和测量不能处理日常数据，尤其是大数据。如今，数据挖掘已经不能有效地处理所有的日常数据，无论这些数据是小数据还是大数据。在工业上，关联规则成功地用于发现分类变量之间的关系，但该算法无法处理数值数据。本研究采用偶数算法对包含分类和数值输入变量的数据集进行分析，以选择能够处理数值和分类数据的最佳算法。决策树及其集成算法（随机森林和AdaBoost）在准确度分类和曲线下面积（ROC）方面记录了最佳的准确度和高性能。因此随机森林、AdaBoost和决策树适用于工业和制造业数据。此外，Na"ive Bayes给出了高精度分类和曲线下面积（ROC），但该算法无法将数值数据作为决策树及其集成算法处理（随机森林和AdaBoostReferences[1]Saad HR（2018），“使用Bagging算法提高生产公司员工绩效评估的预测准确性”。工业7:257。内政部：10.4172/2169-0316.1000257。[2] Han，J.和Kamber，M.，2001，“数据挖掘：概念和技术，摩根·考夫曼”，纽约，550页[3]Malkoff，D.B.（1987），“使用时态数据进行实时故障检测和诊断的框架”，Artiff。因特尔。《工程》第22卷，第97-111页。[4] Ramamoorthy，C.V.和Wah，B.W.（1989），“知识与数据工程”，IEEE Trans。诺尔。《数据工程》，第11期，第9-16页。[5] 李，M。

H.，（1993），“基于知识的工厂”，人工制品。因特尔。《工程》第8卷，第109-125页。[6] Irani，K.B.，Cheng，J.，Fayyad，U.M.，和钱，Z.（1993），“将机器学习应用于半导体制造”，IEEE专家，81，第41-47页。[7] Piatetsky Shapiro，G.（1999），“数据挖掘行业的时代变革”，IEEE Intell。系统。，146，第32-34页。[8] Foguem、Rigal和Mauget（2013）。采矿协会规则用于提高生产过程的质量。专家系统与应用杂志。工业工程2018；2（1）：26-33[9]赛义德·萨亚德（2010-2018）“数据科学导论”。版权所有(c)2010-2018，Saed Sayad博士。[10] J.A.Harding，M.Shahbaz，Srinivas，A.Kusiak（2006）《制造业中的数据挖掘：综述》。制造科学和工程杂志。内政部：10.1115/1.2194554。[11] H Saad and N Nagarur（2017），“利比亚乳腺癌早期检测和临床分期的数据分析”。工业与系统工程学会第六届年度世界会议。