کنش کاوی با استفاده از ساختارهای عِلّی

در بسیاری از کاربردهای داده کاوی هدف نهایی، خود دانش نمی باشد بلکه استفاده از آن می باشد. مدلها و الگوهایی که توسط روشهای داده کاوی استخراج می¬شوند اغلب نیاز به میزان زیادی پس پردازش دارند تا قابل استفاده توسط کاربر نهایی شوند. به عنوان مثال در مسئله تشخیص ترک یک شرکت، داده¬کاوی ممکن است مدلی ارائه دهد که پیش¬بینی کند کدام مشتریان احتمالاً قرارداد خود را فسخ خواهند کرد. اما شرکتها تنها علاقه ندارند که بدانند چه کسی شرکت آنها را ترک می¬کند بلکه نیاز دارند بدانند که چگونه می توانند مانع انجام این کار توسط مشتری شوند. بنابراین مدلها و الگوها بایستی به سمت دانش کنشمند بروند. منظور از دانش کنش¬مند، دانشی است که از قابلیت اعمال بالایی در دامنه مربوطه برخوردار می¬باشد. کنش¬کاوی یکی از زیرشاخه¬های حوزه کاوش دانش کنش¬مند می¬باشد که می¬تواند داده کاوی را وارد یک مرحله جدید از حیات خود کند و آن، ورود هرچه بیشترداده-کاوی در کاربردهای عملی می¬باشد. در حال حاضر روشهای معدودی برای کنش کاوی پیشنهاد شده است که همگی مبتنی بر مدلهای پیشگو در داده¬کاوی هستند که از درون داده¬ها یادگرفته می¬شوند و سپس با استفاده از آنها اثر کنشهای مختلف تخمین زده شده و در نهایت کنشهای با اثر مطلوب پیشنهاد می¬شوند. یک مشکل عمده این رویکرد این می باشد که مدلها یپیشگو الزاماً روابط علّی و معلولی بین ورودیها و خروجیهای خود را نشان نمی¬دهند در حالیکه برای ایجاد تغییر در مقدار یک خصیصه باید از طریق علل آن خصیصه، تغییر را ایجاد کرد.این مسئله می¬تواندکنشهای کشف شده توسط روشهای موجود کنش¬کاوی را غیرکاربردی کند. در این رساله، ما ایده کنش کاوی مبتنی بر روابط علّی و معلولی را ارائه کرده ایم. برای این منظور ابتدا روش cream معرفی شده است که سعی می¬کند از درون شبکه علّی حاکم بر متغیرهای سیستم، موثرترین کنش را برای هر نمونه دلخواه استخراج کند. درون cream از مفاهیم مربوط به حساب مداخلات در شبکه¬های علّی سود برده ایم که کمک می کنند اثر یک کنش را بدون اعمال آن در دنیای واقعی تخمین بزنیم. از آنجا که در کاربردهای عملی همیشه شبکه عّلی در دست نمی¬باشد ما یک روش دیگر به نام ice-cream ارائه کرده¬ایم که تنها به داده¬های صرفاً مشاهده شده که در سیستمهای متداول در اختیارمی¬باشند نیاز دارد. این روش ابتدا شبکه علّی حاکم بر سیستم را از درون داده¬ها استخراج کرده و سپس از شبکه یادگرفته شده که تخمینی از شبکه علّی حقیقی حاکم بر سیستم می¬باشد برای کشف کنش¬ها استفاده می¬کند. ما همچنین یک نسخه از ice-cream با عنوان mc ice-cream را نیز پیاده سازی کرده¬ایم که از روش مونت کارلو برای تخمین اثر کنشها از روی شبکه علّی استفاده می¬کند. همینطور در این¬جا یک روش جدید برای کشف قوانین کنشی با استفاده از شبکه های علّی ارائه کرده ایم. روش ارائه شده care در مقایسه با روشهای مشابه موجود که از مدلهای پیشگو برای استخراج قوانین کنشی استفاده می¬کنند از شبکه علّی استفاده می¬کند؛ از این رو قوانینی که با استفاده از این روش بدست می¬آیند از قابلیت اعمال بالایی در کاربرد مورد نظر برخوردار خواهند بود. پس از پیاده سازی روشهای ارائه شده، آنها را بر روی داده¬های بدست آمده از سه نوع شبکه علّی آزمایش کرده¬ایم: شبکه¬های علّی حقیقی، مصنوعی و تصادفی. نتایج بدست آمده نشان می¬دهندکنشهایی که توسط روشهایice-cream و mc ice-cream تولیدمی شوند نسبت به روشهای موجود با احتمال بیشتری خصیصه هدف را تغییر خواهند داد.همچنین نتایج تاییدمی¬کنند در مواردی که شبکه علّی در دسترس نمی¬باشد روش ice-cream می¬تواند با دقت بالایی روش cream را تخمین بزند. کلمات کلیدی:کنش¬کاوی، قوانین کنشی، قوانین علّی، شبکه های علّی