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

نویسندگان

1 گروه مهندسی کامپیوتر موسسه آموزش عالی توس، مشهددانشجوی دکترا دانشگاه آزاد اسلامی واحد تهران شمال تهران

2 کروه مهندسی کامپیوتر، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

در دهه اخیر کاربرد تکنیک­های داده کاوی و روش­های هوشمند جهت استخراج دانش به صورت خودکار از مجموعه انبوه داده­ها مورد توجه پژوهش­های زیادی قرار گرفته است.باتوجه به ساختار نمایش دانش مبتنی بر قوانین 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 پس از مرحله پیش پردازش در ابتدا به سراغ روش استخراج قوانین به صورت مستقیم از روی مجموعه داده­ها می رود و بعد تکنیک استخراج قوانین با روش طبقه بندی فازی را از روی مجموعه قوانینی که در مرحله قبل بدست آمد را بررسی نموده که در این مرحله قوانین ناسازگار، تکراری و متناقض حذف خواهند شد.از آنجاییکه یکی از چالش­ها در سیستم­های هوشمند ومدیریت مباحث عدم قطعیت از جمله فازی این است که آموزشی در آن­ها اتفاق نمی افتد به منظور دست یافتن به مجموعه قوانین  بهینه به سراغ الگوریتم ژنتیک رفته و علاوه بر کاهش مجدد قوانین تکراری، بهبود قوانین فازی را خواهد داشت . روش فازی_ژنتیک پیشنهادی از 5دیتاست مشهور استفاده کرده است که در 3دیتاست کارایی بیشتری نسبت به روش­های طبقه بندی کلاسیک رگرسیونSVM  و Naïve Bayes داشته است

کلیدواژه‌ها


عنوان مقاله [English]

An automatic Model for Managing uncertainty in Fuzzy rule based knowledge extraction using Genetic algorithm

نویسندگان [English]

  • Elham Afarande 1
  • Rahil Hosseini 2
چکیده [English]

In the last decade, applications of data mining techniques and intelligent methods to extract knowledge automatically from the massive datasets has received a lot of attention. The Rule-based knowledge representation and their high capability to interpret this method in expressing hidden patterns in information, extracting hidden patterns in the form of a set of rules plays an important role in intelligent decision-making systems. After the pre-processing step, this article first goes to the method of extracting rules directly from the data set and then examines the technique of extracting rules by fuzzy classification method from the set of rules that was obtained in the previous step. At this stage, inconsistent, repetitive, and contradictory rules will be 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 in them, in order to achieve the optimal set of rules, go to the genetic algorithm and in addition to improve fuzzy rules. The proposed Fuzzy-Genetic method was evaluated on 5 well-known datasets, which in 3 datasets were more efficient than the classical classification methods of SVM and Naïve Byes regression.

کلیدواژه‌ها [English]

  • Uncertainty
  • Classification Methods
  • Fuzzy Classification Rules
  • Improve Fuzzy Rules
  • GA
  1. [1] Ulrich Bodenhofer ,’Tuning Of Fuzzy Systems Using Genetic Algorithms’A thesis submitted to ProfErich Peter Klement in partial satisfaction of the requirements for the obtainment of the academic degree of Diplom Ingenieur der Studienrichtung Technische Mathematik [2] C. Gonzalo Gutiérrez Quirós, s.n.” A historical review of evolutionary learning methods for Mamdani-type fuzzy rule-based systems: Designing interpretable genetic fuzzy systems ,International Journal of Approximate Reasoning 52 (2011) 894–913,Elseveir [3] K. DeJong, Learning with genetic algorithms: an overview, Machine Learning 3 (3) (1988) 121–138. [4] J. Casillas, O. Cordón, F. Herrera, L. Magdalena (Eds.), Interpretability Issues in Fuzzy Modeling, Springer, 2003. [5] “comparison of the michiGAn and pittsburgh approach to the design of classification systems, electronic and communications in japan,1997 [6] Alberto Fernández ,María José del Jesus, “On the 2-tuples based genetic tuning performance for fuzzy rule based classification systems in imbalanced data-sets” , Elseveir, Information Sciences 180 (2010) 1268–1291 [7] Pang-Ning Tan,Michael Steinbach,Anuj Karpatne,Vipin Kumar, Introduction to Data Mining, Pearson, 2ndEdition, 2019. [8] Verma N.K., Singh V., Rajurkar S., Aqib M. Fuzzy Inference Network with Mamdani Fuzzy Inference System. In: Verma N., Ghosh A. (eds) Computational Intelligence: Theories, Applications and Future Directions -Volume I. Advances in Intelligent Systems and Computing, vol 798. Springer, 2019. [9] A.S.Aneeshkumar C. JothiVenkateswaran, “Reverse Sequential Covering Algorithm for Medical Data Mining “ elsevier Procedia Computer Science Volume 47, 2015, Pages 109-117 [10] L.-X. Wang;J.M. Mendel, Generating fuzzy rules by learning from examples, IEEE Transactions on Systems, Man, and Cybernetics(Volume: 22,Issue: 6, Nov/Dec 1992) [11] J. Sanz a, A. Fernández , H. Bustince , F. Herrera, A genetic tuning to improve the performance of Fuzzy Rule-Based Classification Systems with Interval-Valued Fuzzy Sets: Degree of ignorance and lateral position,elsevier International Journal of Approximate Reasoning 52 (2011) 751–766 [12] O. Cordona, F. Gomideb, F. Herreraa, F. Hoffmann, L. Magdalenad, “Ten years of genetic fuzzy systems: current framework and new trends”,Fuzzy Sets and Systems,141 (2004) 5–31 [13] J. Casillas, O. Cordón, M. José del Jesus, and F. Herrera, “Genetic Tuning of Fuzzy Rule Deep Structures Preserving Interpretability and Its Interaction With Fuzzy Rule Set Reduction”, IEEE Trans. on Fuzzy Systems, vol. 13, no. 1, Feb.2005. [14] Ishibuchi, H., Nakashima, T. and Murata, T. “A fuzzy classifier system that generates linguistic rules for pattern classification problems', Fuzzy Logic, Neural Networks, and Evolutionary Computation, (1996) , 35-54. [15] Herrera, F. “Genetic fuzzy systems: taxonomy, current research trends and prospects”, Evolutionary Intelligence, 1 (1), (2008), 27-46. [16] Pablo,Castro1,Heloisa“CamargoImproving_the_genetic_optimization_of_fuzzy_rule_base_by_imposing a constraint condition on the number of rules”, congresso da sociedade brasileira de computacao December 2004 [17] www.kaggle.com [18] https://archive.ics.uci.edu/ml/index.php