طراحی سیستم دسته‌بند یادگیر مبتنی بر الگوریتم ممتیک برای استخراج دانش

طراحی سیستم دسته‌بند یادگیر مبتنی بر الگوریتم ممتیک برای استخراج دانش

فاطمه پور قنبری مروست1

1) دانشجو ارشد رشته مهندسی کامپیوتر گرایش نرم افزار دانشگاه آزاد اسلامی واحد میبد یزد

کد IOI مقاله : AAHE-ABFGCG
محل انتشار : کنفرانس ملی فناوری های عمران، طراحی و ساخت، انرژی، مواد و ماشین آلات پیشرفته(icaeu.ir)
چکیده :
    در سال‌های اخیر، افزایش حجم و پیچیدگی داده‌ها، نیاز به طراحی سیستم‌های هوشمندی را که علاوه بر یادگیری، توانایی استخراج دانش قابل فهم از داده‌ها داشته باشند، بیش از پیش آشکار ساخته است. در این میان، سیستم‌های دسته‌بند یادگیر به دلیل توانایی همزمان در یادگیری، طبقه‌بندی و تولید قواعد، از جایگاه ویژه‌ای برخوردارند. هدف این پژوهش، طراحی یک سیستم دسته‌بند یادگیر مبتنی بر الگوریتم ممتیک برای استخراج دانش و بهبود فرایند یادگیری در مقایسه با رویکردهای متداول مبتنی بر الگوریتم ژنتیک است. در چارچوب پیشنهادی، از سیستم دسته‌بند یادگیر توسعه‌یافته (XCS) به عنوان هسته اصلی یادگیری استفاده شده و به‌منظور افزایش کیفیت همگرایی و عبور از بهینه‌های محلی، مؤلفه جستجوی محلی در کنار عملگرهای تکاملی به آن افزوده شده است. به این ترتیب، ساختار نهایی از ترکیب قابلیت جستجوی سراسری الگوریتم ژنتیک و توان بهبود موضعی الگوریتم ممتیک بهره می‌برد. برای ارزیابی کارایی روش پیشنهادی، عملکرد آن در محیط‌های آزمایشی نظیر Maze و مالتی‌پلکسر و نیز در یک مسئله واقعی شامل تشخیص بیماری دیابت بررسی شده است. نتایج حاصل نشان می‌دهد که سیستم پیشنهادی در مقایسه با نسخه مبتنی بر الگوریتم ژنتیک، از توان بیشتری در عبور از مینیمم‌های محلی، بهبود قدرت دسته‌ها، کاهش خطا و دستیابی سریع‌تر به یادگیری مناسب برخوردار است. همچنین، در کاربرد واقعی تشخیص دیابت، روش پیشنهادی عملکرد قابل قبولی در طبقه‌بندی داده‌ها و استخراج دانش از خود نشان داده است. بر این اساس، می‌توان نتیجه گرفت که به‌کارگیری الگوریتم ممتیک در سیستم‌های دسته‌بند یادگیر، رویکردی مؤثر برای ارتقای کارایی یادگیری و استخراج دانش در مسائل آزمایشی و واقعی به شمار می‌رود.

کلمات کلیدی : سیستم دسته‌بند یادگیر الگوریتم ممتیک الگوریتم ژنتیک استخراج دانش یادگیری ماشین