حل مسیله باتلاق در استدلال مبتنی بر مورد با استفاده از وزن دهی به ویژگی ها و ماژول بهینگی

بر اساس این فرضیه شناختی مشکلات مشابه راه حل های مشابه دارند ، سیستم استدلال مبتنی بر مورد می تواند مشکلات جدید را با بازیابی حل موارد مشابه در پایگاه مورد حل نماید. تفکر سنتی در استدلال مبتنی بر مورد این بوده است که ذخیره بیشتر موارد در پایگاه مورد، احتمال بازیابی مورد مشابه را بالا برده و باعث دقت بیشتر در حل مشکل می گردد. با رشد مداوم پایگاه مورد، ممکن است هزینه بازیابی بیشتر از نفع دقت گردد، در این صورت به اصطلاح مسیله باتلاق روی می دهد. علاوه بر این، وجود موارد مضر و زاید در پایگاه مورد نیز ممکن است عملکرد کلی سیستم را تحت تاثیر قرار دهد. در روش بهینگی، هدف حذف و اضافه مورد برای بهینه سازی پایگاه مورد است و با کاهش موارد ذخیره شده در پایگاه به دنبال پایین آوردن مقدار حافظه مصرفی می باشد. مشکل اصلی در این روش حذف مواردی است که تاثیر مثبت بر دقت حل مشکل دارند. به منظور برطرف نمودن معایب فوق، در این پژوهش یک روش ترکیبی تشکیل شده از روش های بهینگی و وزن دهی به ویژگی ها برای حل مسیله باتلاق ارایه گردیده است. روش ترکیبی ارایه شده از روش بهینگی برای کاهش حافظه مصرفی و روش وزن دهی به ویژگی ها برای بالا بردن دقت استفاده نموده و در نتیجه تناسب بین دو معیار دقت و حافظه مصرفی را حفظ می نماید. روش ترکیبی ارایه شده از طریق آزمایش های متنوع بر روی مجموعه داده های انتخاب شده از پایگاه داده ای UCI مورد ارزیابی قرار گرفته است. نتایج حاصل از آزمایش ها نشان می دهد با استفاده از روش پیشنهادی، حافظه مصرفی کاهش یافته و دقت نیز به علت استفاده از روش وزن دهی به ویژگی ها بهبود یافته است.

کلیدواژه ها:

استدلال مبتنی بر مورد ، بازیابی ، مسیله باتلاق ، وزن دهی به ویژگی ها ، بهینگی