ارایه روشی جدید مبتنی‌بر برنامه‌نویسی ژنتیک برای وزن‌دهی قواعد فازی در طبقه‌بندی نامتوازن

در زمینه مسایل طبقه‌بندی، اغلب با طبقه‌هایی مواجه می‌شویم که تعداد نمونه‌های متفاوتی دارند؛ یعنی کلاس‌هایی با تعداد نمونه زیاد و کلاس‌هایی با تعداد نمونه کم؛ این مسایل «مسایل طبقه‌بندی با مجموعه‌داده‌های نامتوازن» نامیده می‌شوند. سامانه‌های طبقه‌بندی مبتنی‌بر قوانین فازی(frbcss) یکی از رایج‌ترین سامانه‌های مدلسازی فازیِ استفاده‌شده، برای حل مسایل طبقه‌بندی است. وزن‌دهیِ قوانین اغلب برای بهبود دقت طبقه‌بندی استفاده می‌شود و به‌طور معمول نسخه‌های فازیِ confidence و support برای تولید وزن قوانین فازی بکار می‌روند. در این مقاله، یک روش تکاملی بر مبنای برنامه‌نویسی ژنتیک برای تولید عبارات مربوط به وزن ارایه می‌شود. برای تولید عبارات از چهار معیار confidence، support، lift و recall به‌عنوان پایانه‌های برنامه‌نویسی ژنتیک استفاده می‌کنیم. آزمایش را بر روی بیست مجموعه‌داده از مجموعه‌داده‌های keel اجرا و سپس نتایج به‌دست آمده را با استفاده از آزمون‌های آماری تحلیل می‌کنیم. نتایج حاصل، نشان می‌دهد که کارایی frbcs با استفاده از روش پیشنهادی بهبود می‌یابد.