یادگیری سیستم های رده بندی مبتنی بر قانون فازی سلسله مراتبی توسط الگوریتم های تکاملی

هدف از این تحقیق، معرفی سیستم های رده بندی مبتنی بر قانون فازی توسط الگوریتم های تکاملی است. یکی از روش های رایج بیان دانش رده بندی در کاربرد های داده کاوی، استفاده از قوانین اگر- آنگاه می باشد، چنین قوانینی قادر به بیان دانش ضمنی موجود در مجموعه داده به فرمی قابل درک برای انسان هستند. قوانین اگر- آنگاه در سراسر فرایند تصمیم گیری به فرد خبره کمک نموده تا قوانین حاصل از سیستم را با دانش خود ترکیب و تصمیمات آگاهانه تری اتخاذ نماید. با توجه به این که منطق فازی قادر به توصیف روابط غیرخطی بین ورودی و خروجی، مدل سازی ابهام و عدم قطعیت بوده و توانایی استدلال دانش نادقیق و مبهم را دارا می باشد، به نظر می رسد ترکیب آن با قوانین اگر-آنگاه، منجر به استخراج قوانینی مشابه عملکرد انسان شود. به طور کلی سیستم های مبتنی بر قانون از نظر فرایند استنتاج به دو دسته سیستم های مدل ممدانی و تاکاگی سوگنو تقسیم می شوند. استفاده از سیستم های ممدانی و سوگنو به ترتیب منجر به تولید سیستم هایی با قابلیت تفسیر بالا و سیستم هایی با دقت بالا می شود که این دو معیار در ارزیابی سیستم های رده بندی مبتنی بر قانون حائز اهمیت هستند. با توجه به این که حالت ایده آل، تولید قانون های قابل تفسیر با دقت بالا است، در این تحقیق سعی شده که با ارائه ی یک ساختار جدید، دقت حاصل از سیستم های مدل ممدانی تا حد امکان افزایش داده شود. در تمامی روش های بیان شده جهت استخراج قوانین رده بندی فازی، تولید قوانین از طریق داده های ورودی، شامل دو فاز اصلی تقسیم بندی فضای الگو به زیر فضاهای فازی و تعیین قوانین فازی مرتبط با زیر فضاهای موجود است. کارایی سیستم رده بندی فازی وابستگی شدیدی به نحوه ی تقسیم بندی فضای الگو داشته و تقسیم بندی نامناسب منجر به ایجاد قوانین نامناسب خواهد شد. بنابراین در این تحقیق با پیشنهاد یک ساختار سلسله مراتبی جدید، سعی بر این شده است تقسیم بندی به گونه ای انجام شود که زیرفضاهای ریز و درشت به طور همزمان پوشش داده شوند. در این پایان نامه به منظور افزایش دقت قانون های حاصل از سیستم-های مدل ممدانی، دو روش جدید مبتنی بر الگوریتم ژنتیک پیشنهاد شده است. روش پیشنهادی اول با استفاده از الگوریتم ژنتیک مبتنی بر رویه ی میشیگان، به کارگیری روش adaboostو اعمال ساختار سلسله مراتبی پیشنهاد شده، به معرفی یک رده بند مبتنی بر قانون فازی سلسله مراتبی جدید می پردازد. رده بند پیشنهادی دوم نیز با بهره گیری از الگوریتم ژنتیک مبتنی بر رویه ی پیتسبرگ و اعمال ساختار سلسله مراتبی پیشنهاد شده، قوانین فازی تولید می کند. الگوریتم های پیشنهادی بر روی تعدادی از مجموعه داده های معروف رده بندی آزمایش شده و مقایسه ای بین الگوریتم پیشنهادی و برخی از رده بندهای فازی و غیر فازی صورت گرفته است. نتایج حاصل در اغلب موارد برتری روش های پیشنهادی را نشان می دهد.