روشی برای دسته بندی فازی مبتنی بر قانون با استفاده از مفاهیم داده کاوی و با رویکرد همکاری بین قوانین
Publish place: 12th Annual Conference of Computer Society of Iran
Publish Year: 1385
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,191
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ACCSI12_247
تاریخ نمایه سازی: 23 دی 1386
Abstract:
با توجه به کاربرد فراوان سیستم های دسته بن دی در علوم مختلف از جمله تشخیص طبی، تاکنون انواع مختلفی از روش های دسته بندی با ساختار و عملکردهای گوناگون ارائه شده اند . یکی از رو شهای ر ایج، روش های دسته بندی فازی مبتنی بر قانون میباشند که مزیت مهم آنها در توصیف پذیری اس ت. یکی از مشکلاتی که بسیاری از روش های فازی مبتنی بر قانون دارند، این است که د ر مسائل با ابعاد ز یاد، تنها قوانین با تعداد مقد م 1 کم را م یتوانند تولید کنن د(تولید تمام تر کیبات ممکن غ یر ممکن است ). در بخش نخست از این مقاله ، با بکار گرفتن مفاهیم ی از داده کاو ی، م یتوانیم قوانین خوب با ابعاد مختلف و تعداد مقدم دلخواه را تولید کرده و به عنوان قوانین کاندید انتخاب کنی م. در گام بع د، با استفاده از تحلیلR.O.C 2 ، وزن هایی به قوانین منتسب می کنیم تا بر اساس آنها عملکرد گروهی مجموعه قوانین در فرایند دسته بندی بهینه باشد . هدف ما در این مقاله بررس ی این موضوع است که آیا با داشتن حجم گسترده تر ی از قوا نین فاز ی (ترکیب قوا نین با ابعاد پا یین و بالا ) و انتساب وزن مناسب به آنها میتوان دقت ی ک دسته بند فازی را بالا برد؟ برای ارزیابی سیستم دسته بند ساخته شده، عملکرد آن را بر روی چند مورد از مجموعه داده های مربوط به پزشکی مورد آزمایش قرار دادی م. نتایج آز مایش ها نشان می دهد که دسته بند ارائه شده بر رو ی ترک یبهای بیشتر، دقت بهتری داشته است و در اکثر موارد با افزایش ابعاد قوانین تولیدی، دقت سیستم نیز بهبود مییابد.
Keywords:
Authors
دهزنگی
بخش علوم و مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شیراز
فخراحمد
بخش علوم و مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شیراز
ذوالقدری جهرمی
بخش علوم و مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شیراز
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :