تحلیل تطبیقی عملکرد سیستم های دسته بند یادگیر قابل تبیین با استفاده از داده های جریان و الگوریتم های تکامل پویا

با رشد فزاینده داده های جریانی در سامانه های هوشمند، نیاز به روش های یادگیری تطبیقی و قابل تبیین بیش ازپیش احساس می شود. سیستم های دسته بند یادگیر، با تلفیق یادگیری تقویتی و جست وجوی تکاملی، بستر مناسبی برای تحلیل داده های پویا فراهم می کنند. در این پژوهش، عملکرد نسخه های پیشرفته و قابل تبیین سیستم های دسته بند یادگیر در مواجهه با داده های جریانی، با استفاده از الگوریتم های تکامل پویا مورد بررسی قرار گرفته است. بدین منظور، مکانیزم هایی برای شناسایی و انطباق با تغییر مفهوم طراحی و پیاده سازی شده اند. سپس، با بهره گیری از مجموعه داده های جریانی استاندارد در حوزه های متنوع، از جمله امنیت شبکه و پایش حسگرها، تحلیل تطبیقی میان مدل های پیشنهادی و سایر روش های دسته بندی جریانی، مانند درخت هوفدینگ و جنگل تصادفی تطبیقی، انجام گرفت. نتایج نشان می دهد که مدل پیشنهادی، ضمن حفظ تبیین پذیری قوانین، توانایی تطبیق سریع با تغییرات محیطی و حفظ دقت دسته بندی در شرایط پویای داده را داراست. این مطالعه گامی موثر در جهت توسعه سامانه های تصمیم یار بلادرنگ و شفاف در محیط های داده محور به شمار می آید.

کلیدواژه ها:

سیستم های دسته بند یادگیر ، جریان داده ، تغییر مفهوم ، الگوریتم های تکاملی پویا ، تبیین پذیری.