وزندهی به قوانین و الگوهای آموزشی جهت بهبود دقت کلاسهبندی سیستمهای دستهبندی فازی

در این مقاله تاثیر وزندهی را بر قابلیت دستهبندی سیستمهای دستهبند فازی مبتنی بر قانون مورد بررسی قرار دهیم. برای بهبود سیستم کلاسه بند از یک الگوریتم یادگیری وزن قوانین استفاده میکنیم که میزان خطای دسته بندی را بر روی دادههای آموزشی با استفاده از تنظیم وزن قوانین به حداقل می رساند. همچنین، با این دید که داده های آموزشی دارای ارزش یکسانی نیستند و بعضی از داده های آموزشی را میتوان نویز به حساب آورد، ما به دادههای آموزشی نیز وزنی انتساب میدهیم. وزن منتسب شده به هر الگوی آموزشی به عنوان هزینه ی دسته بندی غلط و یا انصراف از کلاسه بندی آن داده محسوب می شود. به عبارت دیگر، وزن هر الگو نشان دهنده اهمیت کلاسه بندی صحیح آن الگو میباشد. با این توصیف، الگوریتم یادگیری مورد استفاده بر اساس وزن دهی قوانین را طوری تغییر می دهیم که به جای به حداقل رساندن خطای کلاسه بندی، یک تابع هزینه( تابعی وابسته به وزن دادههای آموزشی) را کمینه کند. برای تعیین وزن هر الگوی آموزشی، از توزیع داده ها در همسایگی آن استفاده می شود. اگر اکثریت همسایه های دادهی مورد نظر از کلاسی متفاوت با کلاس دادهی مورد نظر باشند به آن داده وزن کمی اختصاص داده میشود و بالعکس. با این کار تاثیر داده های نویزی را در عمل یادگیری وزن قوانین کاهش میدهیم. با استفاده از چندین مجموعه دادهای استاندارد موجود درUCI-MLنشان میدهیم که وزن دهی الگوهای آموزشی تاثیر مثبتی در بهبود دقت کلاسهبندی دارد.

کلیدواژه ها:

سیستم های دستهبندی فازی مبتنی بر قانون ، (FRBCS) وزن دهی قوانین ، داده کاوی ، هزینه ی کلاسه بندی