–

همان طور که در جدول بالا مشاهده می‌شود، الگوریتم پیشنهادی دارای نرخ دسته‌بندی ۸۴٫۳۲% است که در مقایسه با سایر روش‌های مورد مطالعه بالاترین کارایی را دارا می‌باشد. این روش در مقایسه با PSO Fuzzy Classifier نیز دارای افزایش دقت ۱۲٫۱۲% می‌باشد.
ارزش الگوریتم پیشنهادی وقتی دو چندان می‌شود که بدانیم این روش مبتنی بر قانون است. چرا که دسته‌بندی‌های مبتنی بر قانون دارای قابلیت تفسیر بسیار بالایی هستند و کاربری که از آن‌ها استفاده می‌کند به راحتی می‌تواند دانش استخراج شده را تفسیر کند. البته یک دسته بند مبتنی بر قانون در صورتی دارای قابلیت تفسیر مناسب است که تعداد قوانین کم باشد تا کاربر بتواند در زمان مناسب آن‌ها را تفسیر کند. در الگوریتم پیشنهادی تابع برازش به گونه‌ای تعریف شد که دسته‌بند فازی از لحاظ تعداد قوانین نیز فشرده باشد.

۴-۵- نتیجه گیری

نتایج بدست آمده نشان می‌دهد دقت روش پیشنهادی در دسته‌بندی مجموعه داده‌های دیابت بهتر یا حداقل قابل رقابت با الگوریتم‌های مطرحی مانند شبکه‌های عصبی، C4.5، K-NN، شبکه‌های بیزین و SVM می‌باشد. همچنین با توجه به این که روش پیشنهادی مبتنی بر قانون است، بنابراین الگوریتم دارای قابلیت تفسیر مناسبی است.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

اما شاید مهم‌ترین مشکل استفاده از الگوریتم‌های مکاشفه‌ای مانند الگوریتم بهینه‌سازی ازدحام ذرات، زمان پردازشی زیاد آن‌ها باشد. در الگوریتم پیشنهادی با ایجاد یک مدل مبتنی بر همکاری میان ذرات زمان پردازش کاهش یافته است.

فصل پنجم – نتیجه گیری و پیشنهادات

۵-۱- خلاصه و نتیجه‌ گیری

در این پایان‌نامه روشی را برای واکشی دانش مطرح کردیم. دانش مورد نظر توسط فرایند داده‌کاوی و به کمک روش دسته‌بندی به دست آمده است. دانش حاصل شده توسط قوانین اگر – آنگاه فازی نمایش داده شد. دسته‌بند طراحی شده مبتنی بر سیستم فازی توسط معیارهای دقت و قابلیت تفسیر ارزیابی شد.
برای استخراج توابع عضویت و قوانین فازی به طور هم‌زمان، یک الگوریتم مبتنی بر بهینه‌سازی ازدحام ذرات پیشنهاد گردیده است. این الگوریتم دارای ویژگی‌هایی است که آن را از روش‌های استخراج دانش مبتنی بر بهینه‌سازی ازدحام ذرات متمایز می‌کند. در الگوریتم پیشنهادی هر ذره یک سیستم فازی را شکل می‌دهد به طوری که شامل پارامترهای توابع عضویت و قوانین فازی می‌شود. ذرات دیگر سیستم‌های فازی متفاوتی را ایجاد می‌نمایند. در هر دور هر یک از ذرات با توجه به بهترین سیستم فازی طراحی شده توسط هر ذره و همین طور کل ذرات سعی در ایجاد ویرایش در سیستم دسته‌بند فازی را دارند.
در پیاده‌سازی کامپیوتری روش پیشنهادی بر روی مجموعه داده‌های دیابت Pima اعمال شد. نتایج بدست آمده نشان دادند که دقت روش پیشنهادی در دسته‌بندی نسبت به چندین روش معروف مانند شبکه‌های عصبی قابل رقابت و یا حتی بهتر است.

۵-۲- پیشنهادات

برای کارهای آتی در این زمینه می‌توان پیشنهادات زیر را در نظر گرفت:

• بررسی روش‌های ترکیبی الگوریتم‌های مکاشفه‌ای نظیر الگوریتم ژنتیک و الگوریتم مورچگان برای واکشی و استخراج دانش. یعنی از ایده‌های مفید این الگوریتم‌ها نظیر اعمال ژنتیکی برای ایجاد راه‌ حل ‌های جدید استفاده شود.

• در نظر گرفتن معیارهای مربوط به سادگی و قابلیت تفسیر مربوط به پایگاه قوانین به دست آمده برای تشخیص بیماری طوری که باعث کاهش دقت مجموعه قوانین نشود و مجموعه قوانین با تعداد کمتری را فراهم آورد.

• ارائه یک روش برای یادگیری قوانین غیر ساخت یافته. قوانین غیر ساخت یافته قوانینی هستند که از عملگرهای منطقی گوناگون مانند And و Or استفاده می‌کنند. استفاده از این عملگرها می‌تواند موجب بالا بردن قابلیت تفسیر قوانین گردد.

• تلاش برای حذف پارامترهایی که باید توسط کاربر تنظیم شوند. چرا که تنظیم این پارامترها می‌تواند از کاربر وقت زیادی بگیرد. به علاوه امکان اشتباه کاربر وجود دارد. می‌توان از یک روال خودکار برای بدست آوردن مقدار بهینه این پارامترها استفاده کرد.

منابع و مآخذ:

[۱] O. Maimon and L. Rokach, “Introduction to knowledge discovery and data mining,” in Data Mining and Knowledge Discovery Handbook, ed: Springer, 2010, pp. 1-15.
[۲] H. C. Koh and G. Tan, “Data mining applications in healthcare,” Journal of Healthcare Information Management—Vol, vol. 19, p. 65, 2011.
[۳] R. Bellazzi and B. Zupan, “Predictive data mining in clinical medicine: current issues and guidelines,” international journal of medical informatics, vol. 77, pp. 81-97, 2008.
[۴] D. Heckerman and J. S. Breese, “Causal independence for probability assessment and inference using Bayesian networks,” Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions on, vol. 26, pp. 826-831, 1996.
[۵] C. Olaru and L. Wehenkel, “A complete fuzzy decision tree technique,” Fuzzy Sets and Systems, vol. 138, pp. 221-254, 2003.
[۶] L. Wang, Support Vector Machines: theory and applications vol. 177: Springer, 2005.
[۷] P. Baranyi, et al., “A generalized concept for fuzzy rule interpolation,” Fuzzy Systems, IEEE Transactions on, vol. 12, pp. 820-837, 2004.
[۸] C. Blum and A. Roli, “Hybrid metaheuristics: an introduction,” in Hybrid Metaheuristics, ed: Springer, 2008, pp. 1-30.
[۹] R. T. Santos, et al., “Extracting comprehensible rules from neural networks via genetic algorithms,” in Combinations of Evolutionary Computation and Neural Networks, 2000 IEEE Symposium on, 2000, pp. 130-139.
[۱۰] H. Ishibuchi, “Evolutionary multiobjective design of fuzzy rule-based systems,” in Foundations of Computational Intelligence, 2007. FOCI 2007. IEEE Symposium on, 2007, pp. 9-16.
[۱۱] G. G. Towell and J. W. Shavlik, “Extracting refined rules from knowledge-based neural networks,” Machine learning, vol. 13, pp. 71-101, 1993.
[۱۲] Z.-h. Tang and H.-y. Peng, “A Novel Rules Extraction Method Based on Clustering Analysis,” in Intelligent Systems and Applications (ISA), 2010 2nd International Workshop on, 2010, pp. 1-4.
[۱۳] C. Grosan, et al., “Swarm intelligence in data mining,” in Swarm Intelligence in Data Mining, ed: Springer, 2006, pp. 1-20.
[۱۴] U. Fayyad, et al., “From data mining to knowledge discovery in databases,” AI magazine, vol. 17, p. 37, 1996.
[۱۵] G. Mariscal, et al., “A survey of data mining and knowledge discovery process models and methodologies,” Knowledge Engineering Review, vol. 25, p. 137, 2010.
[۱۶] T.-P. Hong, et al., “An effective mining approach for up-to-date patterns,” Expert systems with applications, vol. 36, pp. 9747-9752, 2009.
[۱۷] K. P. Murphy, Machine Learning: A Probabilistic Perspective: The MIT Press, 2012.
[۱۸] S. S. Haykin, Neural networks: a comprehensive foundation: Prentice Hall Englewood Cliffs NJ, 2007.
[۱۹] P. Benardos and G.-C. Vosniakos, “Optimizing feedforward artificial neural network architecture,” Engineering Applications of Artificial Intelligence, vol. 20, pp. 365-382, 2007.
[۲۰] G. P. Zhang, “Neural networks for classification: a survey,” Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, vol. 30, pp. 451-462, 2000.
[۲۱] A. P. Engelbrecht, Computational intelligence: an introduction: Wiley, 2007.
[۲۲] C. Jin, et al., “Attribute selection method based on a hybrid BPNN and PSO algorithms,” Applied Soft Computing, vol. 12, pp. 2147-2155, 2012.
[۲۳] J. R. Quinlan, “C4. 5: Programs for machine learning (morgan kaufmann series in machine learning),” Morgan Kaufmann, ۱۹۹۳٫
[۲۴] S. B. Kotsiantis, et al., Supervised machine learning: A review of classification techniques, 2007.
[۲۵] R. O. Duda, et al., Pattern classification: John Wiley & Sons, 2012.