انتخاب نمونه به وسیله مجموعه های راف در سیستمهای طبقه بند یادگیر

سیستم های طبقه بند یادگیر سیستمهای مبتنی بر قوانین هستند که با الهام از اصول تکاملی نظریه داروین و یادگیری شناختی معرفی شده اند معروف ترین عضو این خانواده XCS نام دارد که مزیت عمده ی آن نسبت به سیستمهای طبقه بند پیشین این است که قوانین موجود در سیستم براساس دقتی که دارند و نه براساس مقدار پاداشی که از محیط می گیرند شانس بقا و تکامل پیدا می کنند امروزه این سیستم در زمینه های متفاوتی از جمله مسائل یادگیری تقویتی کنترل و طبقه بندی داده ها کاربرد فراوان دارد از سوی دیگر از انجایی که تئوری مجموعه های راف ابزاری جهت انالیز داده ها و سیستم های اطلاعاتی فراهم کرده که با بهره گیری از این ابزار امکان تحلیل و کوچک کردن فضای مساله وجوددارد به نظر می رسد که بتوان با تولید پیش الگوهای مطمئن به هر سامانه طبقه بندی از جمله XCS در یادگیری مناطق مختلف فضای مساله و تولید قوانین مناسب برای ان کمک کرد دراین مقاله سعی شده است تا با استفاده از تئوری مجموعه های راف قسمتهایی از فضای مساله که تصمیم گیری در آنها بهطور قطع می تواند انجام پذیرد به عنوان پیش الگوهای مطمئن از فضای مساله انتخاب شده و با حذف فضای مرتبط با آنها سیستم یادگیرنده بجای تمرکز برروی کل فضای مساله فقط برروی قسمتی از فضا متمرکز شود که دارای پیچیدگی بیشتری بوده و نیز حاوی مرزهایی در هم تنیده است.

کلیدواژه ها:

انتخاب نمونه ، طبقه بندی ، سیستم های طبقه بندی یادگیر ، XCS ، مجموعه های راف