کشف قوانین دسته‌بند داده‌کاوی با استفاده از الگوریتم ممتیک توزیع‌شده

در سیستم‌های توزیع‌شده جمعیت، فرم‌های به‌هم‌پیوسته حاکم هستند. این فرم‌ها برای تکامل گونه‌ها در میان سایت‌ها و افزایش تنوع آن‌ها به‌وسیله روش انتخاب و تولیدمثل محلی مورد استفاده قرار می‌گیرند. تغییرات در قوانین مهاجرت در برخی از سایت‌ها، همچنین اجرای جستجو، منجر به بهبود قابل‌توجه در کشف قوانین دسته‌بند شده است. در نهایت، اشتراک اطلاعات جهت کاهش پیچیدگی مجموعه مشخص کشف‌شده به‌کار گرفته می‌شود. در این مطالعه، اثربخشی الگوریتم ممتیک توزیع‌شده در کشف قوانین دسته‌بند داده‌کاوی با تحلیل نتایج این الگوریتم در پنج مجموعه داده از مخازن uci و keel مورد ارزیابی قرار گرفته است. نتایج حاکی از این است که الگوریتم ممتیک توزیع‌شده با دقت پیش‌بینی بالاتری نسبت به الگوریتم ممتیک سنتی در کشف قوانین دسته‌بند داده‌کاوی عمل می‌کند. این مطالعه نشان می‌دهد که تاثیر عملیات مهاجرت و اجرای جستجو در کشف قوانین دسته‌بند داده‌کاوی قابل‌مشاهده‌است.

discovering the rules of data mining classification using distributed memetic algorithm

in distributed population systems, cohesive structures prevail, playing a crucial role in the evolution of species across different sites and fostering diversity. these structures employ local selection and reproduction methods to enhance the evolution process. alterations in migration rules on certain sites, coupled with the execution of search operations, have led to a significant improvement in discovering classification rules. ultimately, information sharing is employed to mitigate the complexity of the identified rule set. this study evaluates the effectiveness of the distributed memetic algorithm in discovering classification rules in data mining. the algorithm is analyzed based on results obtained from five datasets collected from uci and keel repositories. the findings indicate that the distributed memetic algorithm outperforms the traditional memetic algorithm in precision for predicting and discovering classification rules in data mining. this research underscores the observable impact of migration operations and search execution in the process of discovering classification rules in data mining.