ترکیب منطق فازی و یادگیری ماشینی برای بهبود پیش بینی و تصمیم گیری

این مقاله به بررسی ادغام منطق فازی و یادگیری ماشینی برای بهبود پیش بینی و تصمیم گیری در سیستم های پیچیده می پردازد. هدف پژوهش، تحلیل مزایا، کاربردها و محدودیت های مدل های ترکیبی فازی–یادگیری ماشینی در حوزه های مختلف علمی و عملی است. مدل های هیبریدی مورد بررسی نشان می دهند که استفاده همزمان از الگوریتم های داده محور و منطق فازی موجب افزایش دقت پیش بینی، مدیریت عدم قطعیت و بهبود تفسیرپذیری خروجی ها می شود. مرور مطالعات انجام شده در حوزه سلامت، حمل ونقل و شهر هوشمند، کشاورزی و صنعت و امنیت و آموزش، گواهی بر کاربرد گسترده و انعطاف پذیری این رویکرد است. با این حال، پیچیدگی طراحی، نیاز به داده های با کیفیت، هزینه محاسباتی و محدودیت تعمیم پذیری، چالش های اصلی این مدل ها محسوب می شوند. مقاله با تحلیل این محدودیت ها و ارائه پیشنهاداتی برای پژوهش های آینده، مسیر توسعه مدل های قابل انتقال، توضیح پذیر و کارآمد را مشخص می سازد. یافته ها نشان می دهند که چارچوب ترکیبی منطق فازی و یادگیری ماشینی، ابزار موثری برای پشتیبانی تصمیم گیری هوشمند و مدیریت سیستم های پویا و داده محور است و پتانسیل بالایی برای توسعه کاربردهای بین رشته ای دارد.

کلیدواژه ها:

یادگیری ماشینی ، منطق فازی ، مدل های هیبریدی ، پیش بینی ، تصمیم گیری هوشمند ، کاربرد بین رشته ای