ارايه روشي خودكار جهت مديريت عدم قطعيت و استخراج دانش در قالب مجموعه قوانين فازي با استفاده از الگوريتم ژنتيك

در دهه اخير كاربرد تكنيك­هاي داده كاوي و روش­هاي هوشمند جهت استخراج دانش به صورت خودكار از مجموعه انبوه داده­ها مورد توجه پژوهش­هاي زيادي قرار گرفته است.باتوجه به ساختار نمايش دانش مبتني بر قوانين و قابليت تفسير بالاي اين روش در بيان الگوهاي پنهان در اطلاعات، استخراج الگوهاي پنهان در قالب مجموعه قوانين،از اهميت بالايي در سيستم­هاي هوشمند تصميم يار برخوردار است.اين مقاله پس از مرحله پيش پردازش در ابتدا به سراغ روش استخراج قوانين به صورت مستقيم از روي مجموعه داده­ها مي رود و بعد تكنيك استخراج قوانين با روش طبقه بندي فازي را از روي مجموعه قوانيني كه در مرحله قبل بدست آمد را بررسي نموده كه در اين مرحله قوانين ناسازگار، تكراري و متناقض حذف خواهند شد.از آنجاييكه يكي از چالش­ها در سيستم­هاي هوشمند ومديريت مباحث عدم قطعيت از جمله فازي اين است كه آموزشي در آن­ها اتفاق نمي افتد به منظور دست يافتن به مجموعه قوانين بهينه به سراغ الگوريتم ژنتيك رفته و علاوه بر كاهش مجدد قوانين تكراري، بهبود قوانين فازي را خواهد داشت . روش فازي_ژنتيك پيشنهادي از 5ديتاست مشهور استفاده كرده است كه در 3ديتاست كارايي بيشتري نسبت به روش­هاي طبقه بندي كلاسيك رگرسيونSVM و Naïve Bayes داشته است

In the last decade, applications of data mining techniques and intelligent methods to extract knowledge automatically from the massive datasets has received a lot of attention. The Rule-based knowledge representation and their high capability to interpret this method in expressing hidden patterns in information, extracting hidden patterns in the form of a set of rules plays an important role in intelligent decision-making systems. After the pre-processing step, this article first goes to the method of extracting rules directly from the data set and then examines the technique of extracting rules by fuzzy classification method from the set of rules that was obtained in the previous step. At this stage, inconsistent, repetitive, and contradictory rules will be removed. Since one of the challenges in intelligent systems with the capability of managing uncertainty issues such as fuzzy systems, is that training does not take place in them, in order to achieve the optimal set of rules, go to the genetic algorithm and in addition to improve fuzzy rules. The proposed Fuzzy-Genetic method was evaluated on 5 well-known datasets, which in 3 datasets were more efficient than the classical classification methods of SVM and Naïve Byes regression.