در زمینه مسائل طبقه‌بندی، اغلب با کلاس‌هایی مواجه می‌شویم که تعداد نمونه‌های متفاوتی دارند یعنی کلاس‌هایی با تعداد نمونه زیاد و کلاس‌هایی با تعداد نمونه‌ی کم؛ این مسائل «مسائل طبقه‌بندی با مجموعه‌داده‌های نامتوازن» نامیده می‌شوند. سیستم‌های طبقه‌بندی مبتنی بر قوانین فازی(FRBCSs) یکی از رایج‌ترین سیستم‌های مدلسازی فازیِ استفاده شده، برای حل مسائل طبقه‌بندی می‌باشند. وزن‌دهیِ قوانین اغلب برای بهبود دقت طبقه‌بندی استفاده می‌شود ومعمولاً 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 ارائه می‌شود. برای تولید عبارات از چهار معیار confidence، support، lift و recall به عنوان پایانه‌های برنامه‌نویسی ژنتیک استفاده می‌کنیم. آزمایش را بر روی 20 مجموعه‌داده از مجموعه‌داده‌های keel اجرا و سپس نتایج بدست آمده را با استفاده از تست‌های آماری تحلیل می‌کنیم. نتایج حاصل، نشان می‌دهد که کارایی FRBCS با استفاده از روش پیشنهادی بهبود می‌یابد.

واژه‌های کلیدی: مسائل با مجموعه‌داده‌های نامتوازن، سیستم‌های طبقه‌بندی مبتنی بر قوانین فازی، وزن‌دهی قوانین، برنامه‌نویسی ژنتیک

متن کامل [PDF 2866 kb]   (2044 دریافت)