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

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 و جذابیت 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 اساسی که 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. همچنین به دلیل استفاده از یک الگوریتم تکاملی در انتخاب بهینهتر قوانین احتمالی، دستهبندی از دقت بیشتری نیز برخوردار شده است.

دریافت لینک دانلود مقاله