اعتبار سنجی مقایسه ای ویژگی های دیتاست بر الگوریتم های کلاسترینگ تکاملی در یادگیری نظارت شده

امروزه با پایگاه های داده بسیار بزرگی مواجه هستیم که مشتمل بر مشخصه های مختلط هستند و یکی از نیازمندی های جدید بهره برداری از داده های این پایگاههای داده ای برای تصمیم گیری و پیش بینی و کشف الگوهای حاکم بر آنهاست. در این پژوهش الگوریتم نظارت شده نوروفازی بر مبنای ترکیب با الگوریتمهای تکاملی مانند الگوریتم ژنتیک و PSO بر روی مجموعه داده های مناسب بررسی شده و ارزیابی بر روی نتایج آنها در مقایسه با الگوریتم های منفرد انجام شد تا توصیه های تحلیلی مناسب برای انتخاب الگوریتم مناسب جهت پیش بینی و داده کاوی ایجاد گردد. گامهای تحقیق مطابق با متدلوژی CRISP انجام پذیرفت. بعد از انجام پژوهش مشخص شد که در داده های با پیچیدگی کمتر روش های یادگیری نظارت شده نوروفازی - انطباقی نتایج بهتری بدست می دهد در حالیکه هرچه داده ها پیچیده تر باشند و بویژه هرچه تعداد ستون های پایگاه داده بیشتر می شوند روشهای مبتنی بر ترکیب و بهینه سازی با الگوریتم ژنتیک خروجی بسیار بهتری دارند. لازم به ذکر است در روش یادگیری نظارت شده هنگامی که تعداد داده های اعشاری بیشتر شود الگوریتم PSO خروجی بسیار بهتری دارد.

کلیدواژه ها:

الگوریتمهای تکاملی ، یادگیری نظارت شده ، الگوریتم ژنتیک ، الگوریتم PSO استنتاج فازی عصبی - انطباقی