بهبود کارایی یک دستهبندی کننده مبتنی بر قوانین وابستگی فازی به کمک انتخاب ژنتیکی قوانین

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 390

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CRSTCONF01_033

تاریخ نمایه سازی: 27 اسفند 1394

چکیده مقاله:

بحث درباره موضوع دستهبندی یکی از زمینههای موثر و پرکاربرد در دنیای امروزه به حساب میآید. یکی از تکنیکهایی که با تولید قوانین معتبر عمل دستهبندی را انجام میدهد و از تاثیرگذاری، کاربرد وجذابیت زیادی در پژوهشها برخوردار است، تکنیک استخراج قوانین وابستگی میباشد. این تکنیک روابط احتمالی قوی را به کمک تعیین پارامترهای پشتیبان و اطمینان کشف میکند. از مشکلات اساسیکه در این تکنیک وجود دارد، ایجاد قوانین و روابط بسیار زیاد است که هم تولید و تحلیل آنها زمانبر بوده و هم از دقت نتایج به دلیل انتخاب نادقیق آستانه پارامترهای پشتیبان و اطمینان توسط کاربر،کاسته میشود. در روش پیشنهادی، به کمک الگوریتم ژنتیک سعی میشود تا انتخاب بهینهتری از قوانین احتمالی برای دستهبندی دقیقتر صورت بپذیرد. نتایج تجربی بدست آمده به روشنی نشان میدهد که الگوریتم بهبودیافته ) CFAR-GRS ( از الگوریتم اصلی ) CFAR ( و الگوریتم های مشابه دیگر ) CBA ، CMAR و CPAR ( قابل فهمتر بوده یعنی تعداد قوانین تولید شده کمتری دارد. همچنینبه دلیل استفاده از یک الگوریتم تکاملی در انتخاب بهینهتر قوانین احتمالی، دستهبندی از دقت بیشتری نیز برخوردار شده است

نویسندگان

مجتبی هروی

کارشناس ارشد مهندسی دانش و علوم تصمیم؛ از شرکت توزیع نیروی برق اهواز؛ عضو باشگاه پژوهشگران جوان و نخبگان دانشگاه آزاد اسلامی واحد قزوین، ا

تبسم عظیمی گله

کارشناس ارشد مدیریت بازرگانی بازاریابی؛ از شرکت توزیع نیروی برق اهواز

حسام زندحسامی

استادیار گروه مدیریت صنعتی، دانشگاه آزاد اسلامی واحد قزوین

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • A.K. Pujari. (2010). Data Mining Techniques, Universities Press, 2001 .International ...
  • B. C. Chien, Z. L. Lin and T. P. Hong. ...
  • B. L. Helm. (2007). Fuzzy Association Rules An Imp lementation ...
  • B. Liu, Y. Ma and C. Wong. (2001). Classification using ...
  • B. Yuan and M. Gallagher. (2003). Playing in Continuous Spaces: ...
  • C. Merz and P. Murphy. (1996). UCI repository of machine ...
  • D. E. Goldberg. (1989). Genetic Algorithms in Search Optimization and ...
  • D. Meretakis and B. Withrich. (1999). Extending naive Bayes classifiers ...
  • G. Chen and Q. Wei. (2002). Fuzzy association rules and ...
  • G. Chen, H. Liu, L, Yu, Q.Wei and X. Zhang. ...
  • G. Chen, P. YAN and E. E. KERRE. (2004). Computational ...
  • H. Ishibuchi, T. Murata, and I. B. Turksen. (1997). Single-obj ...
  • H. Ishibuchi, T. Yamamoto, and T. Nakashima (2001). Fuzzy data ...
  • J. Luo and S. M. Bridges. (2000). Mining fuzzy association ...
  • J. R. Koza. (1992). Genetic Programming: On the Programming of ...
  • L. J. Mazlack. (2000). Approximate clustering in association rules, in ...
  • L. T.T. Nguyen, Bay Vo, T. Pei Hong and Hoang ...
  • L. T.T. Nguyen, Bay Vo, T. Pei Hong and Hoang ...
  • _ Hegland. (2005). The Apriori Algorithm _ a Tutorial. CMA, ...
  • M. Anandhavalli, S. K. Sudhanshu, A. Kumar and M.K. Ghose. ...
  • _ De Cock, C. Cornelis and E. E. Kerre. (2005) ...
  • M. Heravi and . Setayeshi. (2014). Intelligent and Fast Recognition ...
  • M. Heravi and S. Setayeshi. (2015). Speed up and more ...
  • M. Heravi, A. Akramizadeh, M. Pourakbar and M.B. Menhaj. (2013). ...
  • R. Sheibani and A. Ebrahimzade. (2008). An Algorithm For Mining ...
  • R. Sheibani and A. Ebrahimzadeh (2011). Two Efficient Algorithms for ...
  • X. Wang, et all. (2012). Mining axiomatic fuzzy set association ...
  • X. Yin and J. Ha. (2003). CPAR: Classification based on ...
  • Z. Chen and G. Chen. (2008). Building an associative classifier ...
  • نمایش کامل مراجع