fa ارائه‌روش جدید مبتنی‌بر برنامه‌نویسی ژنتیک برای وزن‌دهی قوانین فازی در طبقه‌بندی نامتوازن مقالات پردازش داده‌های رقمی Paper پژوهشي Research 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. In classification problems, we often encounter datasets with different percentage of patterns (i.e. classes with a high pattern percentage and classes with a low pattern percentage). These problems are called “classification Problems with imbalanced data-sets”. Fuzzy rule based classification systems are the most popular fuzzy modeling systems used in pattern classification problems. Rule weights have been usually used to improve the classification accuracy and fuzzy versions of confidence and support merits have been widely used for rules weighting in fuzzy rule based classifiers. In this paper, we propose an evolutionary approach based on genetic programming to generate weighting expressions. For producing expressions confidence, support, lift and recall merits are used as terminals of genetic programming. Experiments are performed over 20 imbalanced KEEL's datasets and the results are analyzed using statistical tests. The results show that the proposed method improves the classification accuracy of FRBCS. مسائل با مجموعه‌داده‌های نامتوازن, سیستم‌های طبقه‌بندی مبتنی بر قوانین فازی, وزن‌دهی قوانین, برنامه‌نویسی ژنتیک Imbalanced dataset problems, Fuzzy Rule-Based Classification Systems(FRBCSs), Weighting rules, Genetic Programming 111 125 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-259-1&slc_lang=fa&sid=1 mahboubeh mahdizadeh محبوبه مهدی زاده mh.mahdizadeh@gmail.com 10031947532846005161 10031947532846005161 No shahid bahonar university دانشگاه شهید باهنر کرمان mahdi eftekhari مهدی افتخاری m.eftekhari@uk.ac.ir 10031947532846005162 10031947532846005162 Yes shahid bahonar university دانشگاه شهید باهنر کرمان