ارائه روشی خودکار جهت مدیریت عدم قطعیت و استخراج دانش در قالب مجموعه قوانین از داده‌ها با استفاده از الگوریتم ژنتیک

در دهه اخیر کاربرد تکنیک‌های داده‌کاوی و روش‌های هوشمند جهت استخراج دانش به‌صورت خودکار از مجموعه انبوه داده‌ها مورد توجه پژوهش‌های زیادی قرار گرفته است. باتوجه به ساختار نمایش دانش مبتنی برقوانین و قابلیت تفسیر بالای این روش در بیان الگوهای پنهان در اطلاعات، استخراج الگوهای پنهان در قالب مجموعه قوانین، از اهمیت بالایی در سیستم‌های هوشمند تصمیم یار برخوردار است. این مقاله به ارائه روشی خودکار جهت استخراج قوانین به صورت مستقیم از روی مجموعه داده‌ها می‌پردازد. در روش پیشنهادی از امکان و قابلیت مدیریت عدم قطعیت تثوری مجموعه‌های فازی در مدل‌سازی قوانین استفاده شده است. به منظور رسیدن به مجموعه قوانین  بهینه فازی، از الگوریتم ژنتیک استفاده شده و علاوه برکاهش مجدد قوانین تکراری، بهبود قوانین فازی بر روی آن‌ها انجام شده است. به منظور ارزیابی، روش فازیژنتیک پیشنهادی بر روی هفت مجموعه داده مشهور پیاده‌سازی و بر اساس روش تحلیل accuracy ارزیابی شده است. نتایج به‌دست آمده بیانگر کارآ بودن روش پیشنهادی در مجموع است.

An automatic Model for Managing Uncertainty and Rule Extraction in Form of Fuzzy Rules using Genetic Algorithm

In the last decade, the application of data mining techniques and intelligent methods for extracting knowledge automatically from the massive datasets has received a lot of attention. Considering the rulebased knowledge representation structure and its high capability for interpreting hidden patterns in information, the extraction of hidden patterns in the form of a set of rules plays an important role in intelligent decisionmaking systems. After the preprocessing step, this article first presents the method of extracting rules directly from the data set and then examines the technique of extracting rules by the fuzzy classification method using the set of rules that was obtained in the previous step. At this stage, inconsistent, repetitive, and contradictory rules are removed. Since one of the challenges in intelligent systems with the capability of managing uncertainty issues such as fuzzy systems, is that training does not take place for them, we use the genetic algorithm to improve fuzzy rules in order to obtain the optimal set of rules. The proposed FuzzyGenetic method was applied to five wellknown datasets where for three of them, results were more efficient than the SVM classical classification and Naïve Byes regression methods.