پروژه دانشجویی مقاله ?ادگ?ری درخت تصم?م فازی با استفاده از شبکه عصب? فازی تحت word دارای 14 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد پروژه دانشجویی مقاله ?ادگ?ری درخت تصم?م فازی با استفاده از شبکه عصب? فازی تحت word کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی پروژه دانشجویی مقاله ?ادگ?ری درخت تصم?م فازی با استفاده از شبکه عصب? فازی تحت word ،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن پروژه دانشجویی مقاله ?ادگ?ری درخت تصم?م فازی با استفاده از شبکه عصب? فازی تحت word :
چکده – درخت تصمم فازی مدل ترکب است که درخت تصمم را با منطق فازی ترکب کرده است.در ان مقاله برای ساخت درخت فازی از شبکه عصب فازی استفاده شده است که درخت عصب فازی نامده مشود. ساختار کل درخت عصب فازی همانند درخت فازی است و در هر گره داخل درخت، به جای استفاده از ک شرط فازی برای بخشبندی، از شبکه عصب فازی استفاده شده است تا عوه بر استفاده از مزاای درخت فازی، از مزاای شبکه عصب فازی همانند انعطافپذری نز بهرهمند شوم. درخت عصب فازی دارای ادگر ی برخط است و برای ادگری دادههایجران مناسب است و به راحت متواند با تغر مفهوم اجاد شده در دادههای جران وفق پدا کند. همچنن درخت عصب فازی متواند دادههای مغشوش و وژگهای بدون مقدار را مدرت کند. نتاج آزماشات نشان مدهندکه درخت عصب فازی دارای مزاای بهتری نسبت به سار دستهبندها برای دادههای جران است.
کلد واژه- درخت تصمم فازی، درخت عصب فازی، شبکه عصب فازی، دادههای جران
1 مقدمه
برای مدرت کردن دادههای با مفهوم فازی، مغشوش و پوســته توســط درخت تصــمم اســتاندارد، محققان تش کردهاند منطق فازی به همراه قابلت اســتدل تقرب آن را با اســـتقرای درخت تصـــمم نمادن ترکب کنند که روش اجاد شــده، درخت تصــمم فازی نامده مشــود. در واقع، هـدف از اجـاد درخت تصـــممگری فازی، ترکب نماش فازی با توانا اسـتدل تقرب آن و درخت تصمم نمادی اسـت تا مزتهای هر دو روش حفظ شود. از درخت تصمم فـازی متوان در دســـتـهبندیهای فازی و همچنن تولد قوانن فازی استفاده کرد.[3-1]
در زمنه درخت تصمم فازی، مقات زادی ارائه شده اســـت. Ichihashi و همراهـانش اســـتخراج قوانن فازی از درخت تصـمم فازی را مورد مطالعه قرار دادند. Xizhao و
Hong وژگهای پوســـته را با اســـتفاده از اعداد فازی به وژگهای گسـسته تبدل کردند. از طرف دگر، Pedrycz و Sosnowski از خوشهبندی فازی برای انجام ان کار استفاده کردند. Yuan و Shaw درخت تصــمم فازی را با اســتفاده از معار کاهش ابهام کسبندی اجاد کردند.[3]
ســـتار هاشـــم [5]، FlexDT را معرف کرد که برای اولن بـارمنطق فـازی را وارد دســـتهبندی دادههای جران نمود تـا از قـابلـت بـان عـدم قطعت منطق فازی در کنار درخت تصـمم اسـتفاده کند. هرچند روش ارائه شده دارای مزاـا همچون مـدرـت کردن وژگهـای بدون مقدار و نوزی اســـت و همچنن متواند با تغر مفهوم1 وفق ابد، اما ان روش نز دارای معاب اسـت. ساخت FlexDT دارای دو مرحله جلورو و عقبگرد است که تا حدی سرعت ادگری را کـاهش خواهـد داد. همچنن، اگر پاگاه داده تماما دارای وژگهای غر عددی باشـــد، FlexDT به درخت تصـــمم عادی تبدل شده و کارا با نخواهد داشت.
1 concept change
مجلهعلم پژوهش راانش نرم و فناوری اطعات;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;..جلد3 شماره 1،سال1393
متدها که تاکنون برای ادگری درخت تصمم فازی ارائه شدهاند دارای قابلت انعطافپذری نستند، بدن معن که برای ادگری دادههای جدد، ساختار درخت باد دوباره اجاد شود و نمتوان از آنها در دستهبندی دادههای جران استفاده کرد.
شـبکه عصب فازی ترکب شبکه عصب و منطق فازی اســت. در ان حالت، منطق فازی برای بهبود کارا شــبکه عصـب و ا اضافه نمودن مفهوم عدم قطعت به شبکه مورد استفاده قرار مگرد. شبکه عصب فازی به دلل انکه نحوه ادگری آن شـبه به انسان است (استفاده از شبکه عصب)
و همچنن از منطق فازی برای بان عدم قطعت اســـتفاده مکند، متواند راه حل مناســب برای دســتهبندی دادهها باشـد.[6] ک از مدلهای شبکه عصب فازی، شبکه عصب فازی min-max اســت که برای اولن بار توســط simpson [7] ارائه شده است. ان شبکههای عصب فازی با استفاده از مجموعه فازی ابرجعبه2ها ســاخته مشــوند. مدل گســترش افته ان مدل در سـال 2000 توسط گابرس [8] ارائه شد. شــبکه عصــب فازی گســترش افته3 دارای ادگری برخط است و متواند الگوهای ورودی را به صورت جران درافت کند.
برای انکـه دســـتـهبنـدی داشـــته باشـــم که دارای انعطافپذری باشد ،بتواند دادههای مغشوش را مدرت کند
و همچنن خود را با تغر مفهوم تطبق دهد، در ان مقاله، متد جددی برای ســاخت درخت تصــمم فازی ارائه کردم که باعث افزاش انعطافپذری درخت شــده و دارای قابلت ادگری برخط اســت. در متد بان شــده برای اولن بار در سـاخت درخت تصـمم فازی از شـبکه عصب فازی استفاده شـدهاسـت که درخت عصـب فازی4 نامده مشود. در ان مقاله اصـــحات بر روی GFMM انجام دادم و از آن برای ساخت درخت عصب فازی استفاده کردم.
به دلل انکه که شــبکه عصــب فازی اســتفاده شــده دارای انعطافپذری با اسـت، بدن صورت که به راحت
متوانـد خود را بـا تغر مفهوم در دادههای ورودی تطبق دهد و همچنن دارای ادگری برخط اســت، درخت عصب فازی اجاد شـــده دارای قابلت ادگری برخط بوده و برای دستهبندی دادههای جران مناسب است.
درخت عصب فازی به راحت متواند دادههای مغشوش و وژگهـای بـدون مقـدار را مـدرت کند. به دلل وجود شـــبکـه عصـــب فـازی متواند با تغر مفهوم موجود در دادههای جران انطباق ابد. همانطور که در نتاج آزماشات مشـاهده کردم، دقت دستهبندی FNTree در اکثر مواقع از دگر الگورتمهای رقب همچون FlexDT بشــتر اســت و زمان بسار زادی هم برای آموزش الگورتم ناز نست.
2 داده های جران
ک از پددههای نو ظهور در دنای اطعات، دادههای جران اسـت. ان پدده، اشاره به حجم وسع از اطعات انباشــته شــده دارد که محدودتهای فراوان برای پردازش اجــاد کردهانــد. ک از ان موانع اصـــل در پردازش ان دادهها، اندازه ان دادهها است که بش از حافظه اصل است، لذا مباســت الگورتمهای جددی برای برخورد با انگونه
دادهها توسعه ابند.[9]
داده جران، دنبالهای از نمونههای 1 اســت که
و م توان تنها
باد به ترتب مورد دســترســ قرار گرفته, , …
کبار ا تعداد بســار کم آنرا خواند و با ســـرعت و حجم زادی وارد سـستم مشوند. هر خواندن از دنباله ک مرور خط ـا گـذر نامده م شـــود. مدل دادههای جران با پداش برنامهها شـــامل مجموعه دادههای بزرگ، مورد توجــه قرار گرفتنــد، برای مثــال، رهگری کلـک کــاربران انترنت، مجموعههای بزرگ صـــفحات وب، دادههای چند رســانه ای، معامت مال و دادههای گردآوری شــده علم، بهترن مدلهای دادههای جران هستند.[11-9]
ک از مهمترن تفــاوت دادههــای جرــان و دادههــای
4 Fuzzy Neural Tree (FNTree) 2 hyperbox
3 general fuzzy min-max (GFMM) neural network
73
ادگری درخت تصمم فازی با استفاده از شبکه عصب فازی;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;.. مقدم و همکار
اســتای ســنت ان اســت که مفهوم جران دادهها در طول زمان تغر خواهد کرد. به عنوان مثال، ک فرساش کوچک در ک از دستگاهها در ک کارخانه ممکن است باعث تغر بســـار زادی در بخشهای خروج شـــود. به عنوان مثال دگر، تراکنشهای مشتری ک بانک ممکن است با توجه به روز هفته و ا موارد گوناگون دگری، دچار تغر شود. بدن ترتب، دستهبندهای دادههای جران برخف دستهبندهای دادههای اسـتا، باد قادر به تشـخص تغر مفهوم باشند و خودشان را با ان تغرات وفق دهند.[9]
در زمنه دســـتهبندی دادههای جران کارهای زادی انجام شـــده اســـت، ول هر کدام از آنها دارای مشـــکت هستند. الگورتمها همچون درخت تصمم سرع وفقپذر با مفهوم[11]5، اجتماع جران[12] 6 و اجتماع دستهبندهای وزندار[13] 7 چگونگ برخورد با دادههای مغشــوش رابان نکردهاند و به همن دلل دارای دقت با نستند.
الگورتم انتخاب دســـتهبند به صـــورت پوا [14] 8، به طور خاص برای دادههای جران مغشـوش اجاد شـدهاست. انـدازه مجموعـه ارزـاب برای انتخـاب دســـتهبندها در ان الگورتم تاثر بسار زادی در کارا الگورتم خواهد داشت و همچنن دارای پچـدگ زمـان بـا اســـت که برای دستهبندی دادههای جران مناسب نخواهد بود.
3 درخت تصمم فازی
درخت تصــمم فازی9 مدل ترکب برای دســتهبندی دادههاســـت که هدف آن ترکب درخت تصـــمم نمادن با اسـتدل تقرب ارائه شده توسط نماش فازی است. نتجه انجـام ان کـار، اســـتفاده از مزتهای هر دو روش اســـت: عمومت در ادگری از نمونهها و قابلت فهم دانش به دست آمده از درخت تصمم و همچنن توانا کار با دادههای غر دقق و نادرســت ارائه شــده توســط نماش فازی. در درخت
تصـمم فازی سـع شـده اسـت تا با استفاده از قابلتهای منطق فازی، توانا اداره کردن دادههای نوزی و پوســـته توســط درخت تصــمم نز افزاش پدا کند. دانش بدســت آمـده از دادههــا توســـط درخـت تصـــمم فــازی بـه روش تصممگری انسان بسار نزدک خواهد بود.[3]
هر درخت تصمم فازی دارای سه بخش اصل است:[5]
1 بخشبنـدی هر کـدام از وژگهـا بـه مجموعه فازی و اختصـاص دادن ضرب عضوت به هر کدام از مقادر با توجه به تابع عضوت (فازی سازی دادهها)
2 اسـتفاده از ضـرب عضـوت فازی برای ســاخت درخت فازی
3 استنتاج از درخت فازی برای دستهبندی کردن نمونهها
درخـت تصـــمم فازی از دو جهت با درخت تصـــمم اسـتاندارد متفاوت است: اول انکه از شرطهای بخش بندی که بر پاه محدودت فازی هســتند اســتفاده مکند و دوم انکه تابع استنتاج آن متفاوت است . [1-3]
ساخت درخت فازی
در ID3 ســنت، ضــرب عضــوت نمونهها در مجموعه بخشبندی، عدد دودو صــفر و ک مباشــند، عن انکه ا عضــو کســ هســتند (ضــرب عضــوت ک) و ا خر (ضرب عضوت صفر). ول در درخت تصمم فازی، عضوت نمونهها به کسها مجموعه فازی خواهند بود، بنابران اده مجموعه فازی و منطق فازی باد در درخت تصــمم فازی به کار گرفته شــوند. برای اصــح روش مشــخص کردن تعداد نمونهها که در ک گره قرار مگرند، از نُرمهای اســتفاده شده در منطق فازی بهره برده مشود.
فرآند بازگشـت که برای ســاخت درخت تصمم فازی در[1]بان شده است بدن صورت است:
.1 برای هر گره محتوای اطعات فازی محاسبه مشود.
The concept-adapting very fast decision tree (CVFDT) 5 8 dynamic classifier selection (DCS)
6 streaming ensemble algorithm (SEA) 9 Fuzzy Decision Tree (FDT)
The weighed classifier ensemble (WCE) 7
74
مجلهعلم پژوهش راانش نرم و فناوری اطعات;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;..جلد3 شماره 1،سال1393
2 برای هر وژگ باقمانده که در مســر برای بخشبندی اســتفاده نشــده اســت، بهره اطعات فازی محاســبه مشود.
3 گره فعل بـا اســـتفـاده از وژگ کـه بهره اطعات را بشنه مکند بسط داده مشود.
پروسه ساخت که در با برای درخت تصمم فازی بان شـــد همانند ID3 مباشـــد. تنها تفاوت در ان اســـت که نمونـههـای آموزشـــ متوانند در چندن گره با ضـــراب عضــوت مختلف وجود داشــته باشــند. با توجه به محاســبه افزاشـ ضـراب عضوت، پچدگ محاسبات دو الگورتم شبه به هم مباشد.
همانند درخت تصــمم ســنت ، FDT به شــوه با به پان با بخشبندی بازگشــت پاگاه داده به زرمجموعههای کوچکتر سـاخته مشـود. دو مسئله مهم در ساخت درخت تصمم فازی به صورت زر مباشند:[3 ,1]
.1 شرط انتخاب وژگ در :FDT
متـد اســـتاندارد برای انتخاب بهترن وژگ در درخت تصـمم سـنت ، انتخاب وژگای اسـت که باعث بشترن بهره اطعات مشــود. اما ان امر در درخت تصــمم فازی مشکت اجاد مکند. برخ از روشها برای انتخاب وژگ در درخـت فازی عبارتند از: بهره اطعات فازی10، ضـــرب بهره فازی11، Gini فازی، بهره اطعات توســـعه دادهشـــده فازی.[1]12
.2 شرط توقف:
معموً ادگری درخت تصــمم ســنت زمان به پاان مرسد که تمام وژگها در طول مسر مورد استفاده قرار بگرند ا انکه تمام نمونههای موجود در گره فعل به ک کس اختصـاص داشـته باشند. در FDT ک نمونه شاد در چندن گره با ضـراب عضـوت مختلف حضـور داشته باشد.
بنـابران،عموماً همه نمونهها در تمام گرهها وجود دارند . ان امر باعث بزرگ شــدن درخت فازی مشــود. برای حل ان مشکل چندن متد پشنهاد شده است.[5]
استنتاج برای تصممگری مهمترن اختف بن درخت تصمم استاندارد و فازی،
نحوه اختصـــاص دادن برچســـب کس به نمونههای جدد اســت. ان اختف به خاطر دو موضــوع زر خواهد بود,15] :[16
1 FDT شامل برگها است که هر کدام شامل نمونه-
ها با برچسب کس متفاوت هستند (با ضرب متفاوت از تطبق).
2 پروسه استنتاج در واقع تطبق نمونه جدد با چندن برگ با درجه انطباق مختلف است.
برای استنتاج ار درخت فازی، ابتدا ضرب انطباق نمونه ورودی را نســبت به هر کدام از مســرهای ممکن همچنن ضــرب عضــوت آن در هر کدام از گرههای برگ محاســبه مکنم، سـپس ضـرب عضوت به دست آمده را با استفاده از ک از روشهای غرفازیســـازی13 با هم ترکب مکنم تا به نتجه قطع برسم.
مزاا و معاب درخت تصمم فازی در حالت کل متوان گفت که درخت تصــمم فازی به
دل زر بسار مورد توجه قرار گرفته است:[19-17 ,3] مزت مهم درخت تصـــمم فازی ان اســـت که روش
سـاخت آن همانند درخت تصمم سنت است. ان امر باعث مشـــود تا از ســـاختار قابل فهم همانند درخت تصـــمم ســنت برای فهم و وارســ اطعات اســتفاده کند. درخت تصـــمم فازی متواند دادهها با مقادر نمادن، عددی و ترمهـای فازی را مدرت کند. به دلل انکه محدودتهای فازی با اســـتفاده از توابع عضـــوت فازی مورد ارزاب قرار
Fuzzy Information Gain 10 12Fuzzy Extended Information Measure
Fuzzy Gain Ratio 11 13 defuzzification
75
min-max
ادگری درخت تصمم فازی با استفاده از شبکه عصب فازی;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;.. مقدم و همکار
مگرند، ان روال باعث برقراری ارتباط بن دامنه پوسته و وژگهای مطلق مشود.
با اسـتفاده از مجموعه فازی و استدل تقرب متوان دادههای مغشوش، متناقض14 و غر کامل را پردازش کرد. به همن دلـل از دقـت بـاتری نســـبت به درخت تصـــمم برخوردار خواهم شد.
از طرف دگر، عوه بر مزاای بان شـــده، FDT دارای معاب نز است:[17 ,5 ,2 ,1]
از نظر محاســبات، ان متد، از درخت تصــمم ســنت کندتر است. پان بودن سرعت هزنهای است برای افزاش دقت در صـــورت که تفســـرپذری کاهش نمابد. از دد هرس کردن، اگر درخت به اندازهای بزرگ باشــد که شــرط انتخاب بهترن وژگ کاف نباشــند ا انکه وژگ اصــل نمونهها به شـوه مناسـب استفاده نشود، درخت فازی اجاد شـــده به الگورتم هرس کردن برای کاهش اندازه ناز دارد. درخت تصـمم فازی نسبت به تغر دادههای ورودی دارای انعطافپذری پان اســت و برای ادگری دادههای جدد، سـاختار درخت باد به کل عوض شــود و ا انکه بخش از آن دوباره اجاد شود.
