سال انتشار: ۱۳۸۵

محل انتشار: دوازدهمین کنفرانس سالانه انجمن کامپیوتر ایران

تعداد صفحات: ۸

نویسنده(ها):

دهزنگی – بخش علوم و مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شیراز
فخراحمد – بخش علوم و مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شیراز
ذوالقدری جهرمی – بخش علوم و مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شیراز

چکیده:

با توجه به کاربرد فراوان سیستم های دسته بن دی در علوم مختلف از جمله تشخیص طبی، تاکنون انواع مختلفی از روش های دسته بندی با ساختار و عملکردهای گوناگون ارائه شده اند . یکی از رو شهای ر ایج، روش های دسته بندی فازی مبتنی بر قانون میباشند که مزیت مهم آنها در توصیف پذیری اس ت. یکی از مشکلاتی که بسیاری از روش های فازی مبتنی بر قانون دارند، این است که د ر مسائل با ابعاد ز یاد، تنها قوانین با تعداد مقد م ۱ کم را م یتوانند تولید کنن د(تولید تمام تر کیبات ممکن غ یر ممکن است ). در بخش نخست از این مقاله ، با بکار گرفتن مفاهیم ی از داده کاو ی، م یتوانیم قوانین خوب با ابعاد مختلف و تعداد مقدم دلخواه را تولید کرده و به عنوان قوانین کاندید انتخاب کنی م. در گام بع د، با استفاده از تحلیلR.O.C 2 ، وزن هایی به قوانین منتسب می کنیم تا براساس آنها عملکرد گروهی مجموعه قوانین در فرایند دسته بندی بهینه باشد . هدف ما در این مقاله بررس ی این موضوع است که آیا با داشتن حجم گسترده تر ی از قوا نین فاز ی (ترکیب قوا نین با ابعاد پا یین و بالا ) و انتساب وزن مناسب به آنها میتوان دقت ی ک دسته بند فازی را بالا برد؟ برای ارزیابی سیستم دسته بند ساخته شده، عملکرد آن را بر روی چند مورد از مجموعه داده های مربوط به پزشکی مورد آزمایش قرار دادی م. نتایج آز مایش ها نشان می دهد که دسته بند ارائه شده بر رو ی ترک یبهای بیشتر، دقت بهتری داشته است و در اکثر موارد با افزایش ابعاد قوانین تولیدی، دقت سیستم نیز بهبود مییابد.