توسعه ي يك الگوريتم جديد مبتني بر بهينه سازي اجتماع ذرات براي ارتقاء يادگيري درخت تصميم از داده هاي نويزي

كارشناسي ارشد

گرچه درخت تصميم يك مدل ساده است ولي هنوز يكي از متداول‌ترين رده¬بندها براي حل مسائل دنياي واقعي مي¬باشد. يكي از مهم¬ترين ويژگي¬هاي درخت تصميم توليد قواعدي است كه به سادگي مي¬توان آن¬ها را تفسير كرد. با اين حال يكي از بزرگترين مشكلاتي كه درخت تصميم با آن مواجه است اين است كه بيش¬تر روش¬هاي ساخت درخت تصميم روش¬هاي حريصانه هستند كه درخت را از بالا به پائين و به¬صورت تقسيم و غلبه مي¬سازند، و در اين الگوريتم¬ها امكان بررسي تمام حالات ممكن وجود ندارد و در نتيجه درخت ساخته شده، لزوماً بهترين درخت ممكن نمي‌باشد. همچنين يكي ديگر از چالش‌هايي كه روش‌هاي يادگيري درخت تصميم با آن مواجه هستند اين است كه وجود نويز در مجموعه‌ داده‌ها باعث كاهش دقت درخت مي‌شود. با ظهور داده‌هاي جرياني در دنياي اطلاعات روش‌هايي براي يادگيري درخت تصميم از داده‌هاي جرياني كه داراي قابليت يادگيري برخط مي‌باشند ارائه شد، يكي از اين مدل‌هاي درخت هافدين مي‌باشد كه اين مدل هم مانند روش‌هاي يادگيري درخت تصميم از داده‌هاي ايستا يك روش حريصانه است و همچنين در اين مدل هم وجود نويز باعث كاهش دقت درخت هافدين مي‌شود. در اين تحقيق سعي شده است كه با ارائه‌ي يك مدل يادگيري درخت تصميم از داده‌هاي جرياني كه به صورت متناوب از الگوريتم بهينه‌سازي اجتماع ذرات كمك مي‌گيرد اقدام به بهبود دقت درخت هافدين نماييم. روش ارائه شده باعث افزايش اندازه‌ي درخت هافدين مي‌شود به همين دليل در اين تحقيق از يك الگوريتم انتخاب خصيصه كه از الگوريتم بهينه‌سازي اجتماع ذرات دودويي كمك مي‌گيرد نيز براي كاهش اندازه‌ي درخت توليد شده استفاده كرده‌ايم. نتايج آزمايش‌ها نشان مي‌دهد كه الگوريتم يادگيري درخت تصميم كه به صورت متناوب از الگوريتم بهينه‌سازي اجتماع ذرات كمك مي‌گيرد موجب بهبود دقت يادگيري از داده‌‌هاي نويزي و بدون نويز مي‌شود. همچنين نتايج آزمايش‌ها نشان مي‌دهد با اضافه كردن الگوريتم انتخاب ويژگي به مدل پيشنهادي اندازه‌ي درخت توليد شده بهبود مي‌يابد و دقت آن نيز قابل مقايسه با درخت هافدين مي‌باشد. واژه‌هاي كليدي: داده‌هاي جرياني، درخت تصميم، بهينه‌سازي اجتماع ذرات.

190251

دانشگاه علم و صنعت ايران

هوش مصنوعي و رباتيك

دكتر محمدرضا كنگاوري