11905

11905

يادگيري درخت تصميم از داده هاي جرياني براساس بازسازي درخت تصميم بر مبناي روش هاي برنامه ريزي خطي

كارشناسي ارشد

كامپيوتر - هوش مصنوعي

ارديبهشت 1392

ارديبهشت 1392

دكتر محمدرضا كنگاوري

چكيده امروزه داده¬ها سريعتر از زمان پردازش و كاوش آنها در اختيارمان قرار مي گيرند. براي آنكه اين داده ها را از دست ندهيم بايد از تكنيك¬هاي سنتي داده كاوي به سيستم¬هايي روي بياوريم كه قادر به پردازش داده¬هاي پيوسته، داراي حجم بالا و نامحدود باشند. درخت تصميم به عنوان ابزار مهمي در كلاس¬بندي و داده¬كاوي شناخته مي¬شود، از¬اين¬رو الگوريتم¬هاي متنوعي براي معرفي و ساخت درخت تصميم معرفي شده است كه اكثر آنها ¬از ¬روش حريصانه استفاده مي¬كنند و در نتيجه پس از ساخت درخت براي آموزش از طريق داده¬هاي جديد با مشكل مواجه مي¬شوند. يكي¬از رويكردهاي مطرح شده در سال¬هاي اخير بازسازي درخت براي يادگيري نمونه¬هاي جديد است. توانايي در بازسازي كارامد درخت تصميم رويكردهاي گوناگوني را براي استنتاج از درخت تصميم ايجاد مي¬كند كه در¬غير¬اين صورت ممكن نبوده يا بسيار پرهزينه مي باشند. به منظور حل اين مشكلات در اين پايان نامه، با استفاده از روش¬هاي برنامه¬ريزي ¬خطي سعي در بازسازي درخت تصميم براي يادگيري داده¬هاي جديد مي نماييم. برنامه ريزي خطي به عنوان يكي از جديدترين و قوي¬ترين تكنيك¬هايي است كه در چند سال گذشته در علوم مهندسي مورد توجه قرار گرفته است. تركيب خطي جدا كننده¬ها در درخت تصميم اجازه ايجاد رابطه چند متغيره¬اي را ميدهد كه داراي دقت بالا و فشرده¬سازي بيشتري نسبت به جدا كننده¬هاي تك متغيره مي باشد. در اين پايان نامه با معرفي الگوريتمي جديد سعي در استفاده از برنامه¬ريزي خطي براي حل مسئله بازسازي درخت تصميم در مواجه با داده¬هاي جديد و نيز افزايش قدرت پايداري درخت تصميم مي باشيم. آزمايشات نشان داده است كه با افزايش ورود نمونه¬هاي جديد، درخت تصميم ايجاد شده توانسته است با كمترين تغييرات نمونه جديد را ياد گرفته و به ميزان دقت خود در امر كلاس بندي بيفزايد. واژه‌هاي كليدي: درخت تصميم، بازسازي درخت، داده¬هاي جرياني، برنامه¬ريزي خطي