ارائه يك روش يادگيري قوانين طبقه‌بندي جديد بر اساس رويكرد پيتسبورگ

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

داده‌كاوي فرآيند كشف الگوها و دانش از حجم انبوهي از داده‌ها است. در بين تكنيك‌هاي متنوع داده‌كاوي، طبقه‌بندي يكي از تكنيك‌هاي رايج آن به شمار مي‌رود. تاكنون روش‌هاي طبقه‌بندي زيادي معرفي شده‌اند كه در بين آن‌ها روش‌هاي طبقه‌بندي مبتني بر استخراج قوانين عموماً به دليل بازنمايي دانش اكتسابي آن‌ها از داده‌هاي آموزشي، مورد توجه قرار مي‌گيرند. در اين روش‌ها قوانين استخراج شده براي طبقه‌بندي، معمولاً به راحتي قابل تفسير هستند. تاكنون رويكردهاي مختلفي براي استخراج قوانين طبقه‌بندي ارائه شده‌اند. در اين ميان گروهي از الگوريتم‌هاي طبقه‌بندي مبتني بر قانون، قوانين خود را به كمك الگوريتم‌هاي بهينه‌سازي فراابتكاري استخراج مي‌كنند. اين الگوريتم‌ها را مي‌توان در دو دسته مجزا قرار داد؛ دسته اول الگوريتم‌هاي مبتني بر رويكرد ميشيگان هستند كه در آن‌ها هر عضو جمعيت معادل يك قانون است و دسته دوم الگوريتم‌هاي مبتني بر رويكرد پيتسبورگ هستند كه هر عضو جمعيت در آن‌ها معادل يك طبقه‌بند بالقوه مي‌باشد. ما در اين پژوهش يك الگوريتم يادگيري قانون فراابتكاري مبتني بر رويكرد پيتسبورگ ارائه داده‌ايم؛ به گونه‌اي كه در كنار بهره‌گيري از مزاياي اين رويكرد، كم‌تر تحت تأثير معايب آن قرار مي‌گيرد. الگوريتم پيشنهادي، بر اساس الگوريتم بهينه‌سازي فراابتكاري كلوني زنبورهاي مصنوعي (ABC) ارائه شده است. در اين الگوريتم، قوانين طبقه‌بند در نتيجه‌ي يك فرآيند گسسته‌سازي چند متغيره استخراج مي‌شوند. و وظيفه الگوريتم بهينه‌سازي ABC هدايت فرآيند گسسته‌سازي مي‌باشد. بر اين اساس الگوريتم پيشنهادي نيازي به مرحله پيش‌پردازش براي گسسته‌سازي مقادير ويژگي‌هاي پيوسته ندارد. روش كلي الگوريتم پيشنهادي به اين صورت است كه براي هر ويژگي يك نقطه شكست را با در نظر گرفتن همبستگي بين ويژگي‌هاي مسئله به گونه‌اي انتخاب مي‌كند كه نقاط شكست، تا حد امكان فضاي مسئله را به خالص‌ترين نواحي از نظر نحوه توزيع نمونه‌هاي آموزشي در آن‌ها افراز كنند. اين ساختار براي الگوريتم پيشنهادي موجب مي‌شود كه قوانين استخراج شده با هم همپوشاني نداشته باشند. همچنين اين امكان را به الگوريتم مي‌دهد كه در حين آموزش قوانين ويژگي‌هاي كم اهميت را ناديده گرفته و عمليات انتخاب ويژگي انجام دهد. ويژگي‌هاي حذف شده در هيچ يك از قوانين نهايي حضور ندارند بنابراين فرآيند انتخاب ويژگي منجر به كاهش طول قوانين و در نتيجه افزايش قابليت تفسيرپذيري آن‌ها مي‌شود. همچنين الگوريتم از يك مرحله پس‌هرس خاص براي هرس قوانين نهايي استفاده مي‌كند كه با كاهش تعداد و طول قوانين، به افزايش تفسيرپذيري قوانين نهايي طبقه‌بند كمك مي‌كند. الگوريتم پيشنهادي روي 31 مجموعه داده از مخزن يادگيري ماشين UCI با 16 الگوريتم طبقه‌بندي ديگر مقايسه شده است. نتايج حاصل از آزمايش‌ها گوياي عملكرد اميدوار كننده الگوريتم پيشنهادي در مقايسه با ساير طبقه‌بندهاي مورد استفاده در بخش آزمايش‌ها مي‌باشد.

221712

هوش مصنوعي

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان