قیاس رویکردی الگورتیمهای یادگیری ماشین برای درخت تصمیمگیری 5.C4 و شبکه عصبی مصنوعی

مسیله یادگیری ماشین زمینه تحقیقاتی نوینی در هوش مصنوعی است که در حال حاضر دوران رشد و تکامل خود را می ند و زمینهگذرا ای بسیار فعال به عنوان یکی از گرایشهای پرکاربرد هوش مصنوعی هایی ها و الگوریتم است که به تنظیم و اکتشاف شیوه میپردازد که براساس آنها رایانهها و سامانهها توانایی تعلم و یادگیری پیدا میکنند و یادگیری ماشین عبارت است از اینکه چگونه میتوان برنامهای نوشت که از طریق تجربه، یادگیری کند و عملکرد خود را بهتر کند و یکی از بارزترین الگوریتمهای یادگیری ماشین همان درختان تصمیمگیری هستند که با توجه به حجم بالای اطلاعات در بانکهای داده و یافتن اطلاعات مفید و مناسب در آنها ضرورت پیدا کرده. از سویی دیگر یادگیری درخت تصمیم 5.C4 ،یکی از پرکاربردترین و کارآمدترین متدهای یادگیری استقراریی برای پردازش داده ها میباشد که برخلاف روشهایی مانند شبکههای عصبی مصنوعی، که چگونگی عملکرد خود را ارایه نمیکنند، پیش بینی خود را در قالب قوانینی از نظر پارامترهای آماری وپردازشی مناسب، ارایه میکند. هدف این مقاله، ارایه کارا بودن روش یادگیری درخت تصمیمگیری به عنوان روشی مناسب و قوی برای دادههایی با حجم بالا، نسبت به شبکه عصبی مصنوعی میباشد. در روش تحقیق، ارزیابی از عملکردهای الگوریتمهای یادگیری ماشین یعنی درخت تصمیمگیری و شبکه عصبی انجام گردیده که سرانجام در بخش یافتهها و نتایج تجربی الگوریتمهای یادگیری پیشنهادی مبتنی بر توابع محک پیاده سازی گردیده که در نهایت الگورتیم یادگیری درخت تصمیمگیری 5.C4،نسبت به رقیب خود یعنی شبکه عصبی مصنوعی توانست به نتایج بهینهتری دست یابد.

Keywords:

درخت تصمیمگیری 5.C4 , الگورتیمهای یادگیری ماشین , شبکه عصبی مصنوعی