علوم رایانش و فناوری اطلاعات
ارائه‌ی الگوریتمی موثر برای یادگیری قوانین بر پایه‌ی خوشه‌بندی ترکیبی و محاسبات گرانولار
نوع مقاله : مقاله پژوهشی
نویسندگان
گروه علوم کامپیوتر، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه تبریز، تبریز، ایران
چکیده
یادگیری قوانین یکی از ابزارهای معروف در کاربردهای مختلف یادگیری ماشین و داده‌کاوی است که در سیستم‌های مبتنی بر قانون به‌کار برده می‌شود. امروزه با حجم انبوهی از داده‌ها، اطلاعات و دانش مواجه هستیم که برای کنترل چنین مقدار وسیعی از داده‌ها، نیاز به هوشمند‌سازی و ارائه‌ی الگوریتمی موثر وجود دارد. سیستم‌های مبتنی بر قانون در مسائل مختلف طبقه‌بندی و پیش‌بینی به‌کار برده می‌شوند. قوانین تصمیم‌گیری در سیستم‌های مبتنی بر قانون به‌صورت عبارت‌های اگر-آنگاه بیان می‌شوند. چنین قوانینی قادر به بیان دانش ضمنی قابل فهم برای انسان از مجموعه داده‌های حجیم هستند. یادگیری قوانین عبارت از اضافه‌کردن قانون، توسعه قانون و ایجاد تطبیق‌پذیری در قانون از روی داده‌ها است. در این مقاله الگوریتم جدید یادگیری قوانین با استفاده از روش‌های خوشه‌بندی ترکیبی و محاسبات گرانولار ارائه شده است. در الگوریتم پیشنهادی ابتدا مجموعه‌داده‌ها با استفاده از پنج الگوریتم، خوشه‌بندی می‌شوند سپس از بین نتایج آن‌ها به‌صورت ترکیبی بهترین خوشه انتخاب می‌شود. در الگوریتم ترکیبی قبل از انتخاب بهترین خوشه، نمونه داده‌ها با استفاده از نظریه ناهمواری که زیر مجموعه‌ای از محاسبات گرانولار است تبدیل به اطلاعات گرانولی می‌شوند. محاسبات گرانولار توانایی پردازش داده‌هایی که به‌صورت نادقیق و مبهم هستند را دارند و همچنین بدون نیاز به اطلاعات اضافی از طرف کاربر موجب کاهش افزونگی در داده‌ها می‌شوند. پس از خوشه‌بندی، قوانین تصمیم‌گیری استخراج شده و با استفاده از الگوریتم خوشه‌بندی فازی c_میانگین با روش حداقل مربعات خطا، عمل یادگیری انجام می‌گیرد. نتایج حاصل از الگوریتم، نشان دهنده افزایش دقت یادگیری، توانایی پردازش داده ها با مقادیر پیوسته و گسسته، مقادیر غیر قطعی، پردازش داده های نویزی و کاهش میزان خطا در مقایسه با دیگر روش ها بوده است.
کلیدواژه‌ها
- [1] Park, S., Piramuthu, S., Shaw, M., Dynamic Rule Refinement in Knowledge- Based Data Mining, Decision Support Systems Journal, 31(2), pp. 205-222, 2001.
- [2] Ruckert, U., Kramer, S., A Statical Approach to Rule Learning, ICML’06 Proceedings of the 23rd International Conference on Machine Learning, pp. 785-792, New York, NY, USA, 2006.
- [3] Mark, N., Changing Monetary Policy Rules, Learning, and Real Exchange Rate Dynamics, Journal of Money, Credit and Banking, 41(6), pp. 1047- 1070, 2009.
- [4] M. I. Nye, A. Solar-Lezama, J. B. Tenenbaum and B. M. Lake, "Learning compositional rules via neural program synthesis", 2020.
- [5] Araki, Brandon, et al. "Learning Policies by Learning Rules." IEEE Robotics and Automation Letters 7.2 (2021): 1284-1291.
- [6] Niu, Jiaojiao, et al. "A dynamic rule-based classification model via granular computing." Information Sciences 584 (2022): 325-341.
- [7] Liu, Han, and Mihaela Cocea. "Granular computing-based approach of rule learning for binary classification." Granular Computing 4.2 (2019): 275-283.
- [8] Pedrycz, W. ”Analysis and design of intelligent systems: A framework of granular computing.” (2013).
- [9] Mahan, Farnaz, et al. "Chi-MFlexDT: Chi-square-based multi flexible fuzzy decision tree for data stream classification." Applied Soft Computing 105 (2021): 107301.
- [10] Rozehkhani, Seyyed Meysam, and Farnaz Mahan. "VM consolidation improvement approach using heuristics granular rules in cloud computing environment." Information Sciences 596 (2022): 15-29.
- [11] Gogoi, Prasanta, Dhruba, K. Bhattacharyya, and K. Kalita. A rough set–based effective rule generation method for classification with an application in intrusion detection. International Journal of Security and Networks (vol.8, pp.61-71). (2013).
- [12] N.Ibrahim, H.Mustapha, A.Rosli. Hybrid Model of Hierarchical Clustering and Decision Tree for Rule-based Classification of Diabetic Patients. International Journal of Engineering and Technology. (Vol.5, pp.3986-3991). (2013).
- [13] Al-Shammaa, Mohammed, and F.Maysam . Automatic generation of fuzzy classification rules using granulation-based adaptive clustering. (2015).
- [14] J.Gama, P.Kosina. Learning decision rules from data streams.IJCAI Proceedings-International Joint Conference on Artificial Intelligence. (Vol. 22,pp.1255). (2011).
- [15] بهزاد جعفری, عادل آذر.درخت تصمیم فازی, رویکردی نوین در تدوین استراتژی- پژوهش های مدیریت عمومی (1394).
- [16] J.Kennedy, R.Eberhart. Particle swarm optimization. Proceedings of International Conference on Neural Networks IV. (Vol. 1000, pp.1942-1948). (1995).
- [17] Noroozibeyrami, Meybodi. Improving particle swarm optimization using fuzzy logic. Proceedings of the Second Iranian Data Mining Conference, Amir Kabir University of Technology, Tehran, Iran. (2008).
- [18] JC.Bezdek, R Ehrlich. FCM: The fuzzy c-means clustering algorithm. Computers & Geosciences (Vol.10, 191-203). (1984).
- [19] Fred, Ana, et al. Knowledge discovery, knowledge engineering and knowledge management. Springer International Publishing, 2020.
- [20] de Campos Souza, Paulo Vitor, Edwin Lughofer, and Augusto Junio Guimaraes. "An interpretable evolving fuzzy neural network based on self-organized direction-aware data partitioning and fuzzy logic neurons." Applied Soft Computing 112 (2021): 107829.
- [21] J.Hu, T.Li, H.Wang, and Fujita. Hierarchical cluster ensemble model based on knowledge granulation. Knowledge-Based Systems.(vol.91, 179-188). (2016).
- [22] Z.Pawlak. Rough sets: theoretical aspects of reasoning about data, system theory, Knowledge Engineering and Problem Solving.Kluwer, Netherlands. (vol.178, pp.3577-3594). (2008).
- [23] Blake, Catherine. UCI repository of machine learning databases. http://www. ics. uci. edu/~ mlearn/MLRepository. html. (1998).
- [24] Al-Shammaa, Mohammed, and F.Maysam . Automatic generation of fuzzy classification rules using granulation-based adaptive clustering. (2015).
- [25] W.Pedrycz, H.Izakian. Cluster-centric fuzzy modeling. IEEE transactions on fuzzy systems (Vol.22, pp.1585-1597). (2014).
)