رویکردی مفید در استخراج قوانین با استفاده از شبکهی عصبی اموزش دیده، خوشه بندی کاهشی و سیستم ایمنی مصنوعی در تشخیص سرطان

یکی از مباحث مهم در بحث داده کاوی، استخراج قوانین مناسب و مفید از مبان انبوهی از مجموعه داده ها می باشد لذا همواره بایستی جهت استخراج قوانین بدنبال فراهم کردن مجموعه ای از ویژگیها بود که اولا دارای نویز نباشند و ثانیا با سایر ویژگیها همبستگی کمی داشته باشند به بیان دیگر بایستی از نمونه هایی استفاده شود که از نمونه های دیگر متمایز تر باشند برهمین اساس دراین مقاله یک روش ترکیبی و سودمند با درنظر گرفتن دو فاکتور ویژگی مناسب و نمونه های مناسب جهت استخراج قوانین ارائه شده است لذا در همین راستا از شبکه عصبی اموزش دیده برای یافتن ویژگیهای مناسب و از خوشه بندی کاهشی جهت یافتن بهترین نمونه از مجموعه داده و در نهایت برای استخراج قوانین از سیستم ایمنی استفاده کرده ایم. برای نمایش بهینگی روش پیشنهادی از آن در تشخیص بیماری سرطان استفاده نموده ایم نتایج ازمایشات بهبود در دقت دسته بندی را نشان میدهد مجموعه داده ازمراجع UCI می باشند که شامل داده های بیماری سرطان سینه می باشند.

کلیدواژه ها:

شبکه ی عصبی مصنوعی ، خوشه بندی کاهشی ، سیستم ایمنی مصنوعی ، استخراج قوانین