یادگیری موازی درخت تصمیم در محیط نویزی

درخت تصمیم یکی از روشهای نمایش دانش بوسیله یادگیرنده های استقرایی می باشد که طی بیست سال گذشته مورد توجه بوده است . استقراء درخت تصمیم در محیط های مغشوش شامل دو مرحله توسعه درخت و هرس آن می باشد که هر کدام نقش به سزایی در افزایش دقت درخت تصمیم نهایی ایفا می کند. اخیرا استفاده از پردازش موازی به منظور توسعه درخت تصمیم مطرح شده است که زمان یادگیری بر روی مجموعه های آموزشی بزرگ را کاهش می دهد . در این مقاله یک روش جدید موازی سازی در سطح گ ره، جهت توسعه درخت پیشنهاد شده است که با استفاده از ترکیب چندین روش یادگیری بصورت موازی سعی در بهبود دقت درخت حاصله دارد . در این روش ابتدا مجموعه آموزشی به صورت تصادفی به چند قسمت همپوشان تقسیم شده و هر قسمت در اختیار یک پردازنده قرار میگیرد . پردازنده ها پ س از انجام عمل یادگیری در هر گره، نتایج را در اختیار پردازنده دیگری (ناظر) قرار میدهد، این پردازنده با استفاده از دو مدل فازی و کرامر، درخت نهایی را تولید می کند. در صورتیکه تعداد نمونه های مجموعه آموزشی کافی بوده و توزیع کلاسها و خصیصه ها در آن یکنواخت باشد، دقت درخت مورد نظر بهبود می یابد.