نوع مقاله : مقاله پژوهشی

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 ارائه‌ الگوریتمی مؤثر 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 قابل‌فهم 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 زیرمجموعه‌ای 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 می‌شود و با استفاده از الگوریتم خوشه‌بندی فازی c_میانگین با روش حداقل مربعات خطا، عمل یادگیری انجام می‌گیرد. نتایج حاصل از الگوریتم، نشان‌دهنده افزایش دقت یادگیری، توانایی پردازش داده‌ها با مقادیر پیوسته و گسسته، مقادیر غیرقطعی، پردازش داده‌های نویزی و کاهش میزان خطا در مقایسه با دیگر روش‌ها بوده است.

کلیدواژه‌ها

• یادگیری ماشین
• یادگیری قوانین
• محاسبات گرانولار
• خوشه‌بندی فازی و خوشه‌بندی ترکیبی