چارچوب توزیع شده برای استخراج قوانین فازی از داده ها

به دلیل افزایش روزافزون پایگاه های داده، قابلیت مقیاس پذیری و اجرای موازی در الگوریتم های داده کاوی اهمیت زیادی پیدا کرده است. در این مقاله یک چهارچوب توزیع شده ی جدید برای استخراج قوانین دسته بندی از بین داده ها با استفاده از رویکرد چندعاملی در کنار قوانین فازی پیشنهاد می شود. از ویژگی های مهم این چهارچوب می توان به قابلیت مقیاس پذیری، خودسازماندهی در فرآیند یادگیری با استفاده از عامل های خودمختار و قابلیت برخورد با عدم قطعیت با استفاده از قوانین فازی اشاره کرد. هر عامل یک دید محلی از مجموعه داده ی آموزشی دارد. تعامل بین عامل ها در فرآیند یادگیری و استخراج دانش باعث کاهش حجم پایگاه قواعد و انتخاب قانون های دسته بندی مناسب می شود. به دلیل اینکه یادگیری عامل ها می تواند همزمان با هم صورت گیرد قابلیت اجرای موازی را فراهم می کند و در نتیجه زمان یادگیری را کاهش می دهد. قوانین استخراج شده توسط عامل هایی که سطح اطمینان قابل قبولی دارند، برای فرآیندهای تصمیمگیری و دسته بندی استفاده می شود. در این مقاله از سه مسئله ی تصمیم گیری پزشکی برای ارزیابی چهارچوب پیشنهادی استفاده می کنیم و از لحاظ تعداد قوانین فازی استخراج شده و دقت تشخیص با روش های متمرکز مقایسه می کنیم

Keywords:

استخراج قوانین , توزیع شدگی , خودسازماندهی , عامل , فازی