12720

12720

الگوريتمي براي يادگيري درخت تصميم اريب از داده‌هاي بزرگ

كارشناسي ارشد

كامپيوتر - هوش مصنوعي و رباتيك

اسفند ماه 1392

اسفند ماه 1392

دكتر محمدرضا كنگاوري

چكيده درخت‌هاي تصميم سنتي رده‌بند‌هاي پرطرفداري‌اند كه داراي مزايايي چون پيچيدگي محاسباتي پايين و قابليت تفسيرپذيري بالا هستند. ولي وجود مشكلاتي چون توليد رده‌بندهاي بزرگ، امكان بيش‌برازش و عدم پايداري، منجر به ايجاد گروه ديگري از الگوريتم‌هاي درخت تصميم تحت عنوان الگوريتم‌هاي يادگيري درخت تصميم اريب شد. در هر گره از درخت‌هاي سنتي آزموني بررسي مي‌شود كه شامل يك متغير است ولي در درخت تصميم اريب، آزمون شامل تركيب خطي از ويژگي‌هاست. ولي به دليل اين‌كه اين درخت‌ها براي پيدا كردن آزمون هر گره، بايد بارها روي مجموعه داده رفت و آمد كنند و پيچيدگي محاسباتي بالايي دارند، تاكنون عملكرد آن‌ها بر روي مجموعه داده‌هاي بزرگ و داده جرياني مورد توجه قرار نگرفته است. در اين پايان‌نامه براي اولين بار الگوريتمي براي درخت تصميم اريب ارائه و پياده‌سازي شده است كه يادگيري روي داده‌ها را به صورت افزايشي انجام مي‌دهد. اين الگوريتم، يادگيري از مجموعه داده‌هاي بزرگ و داده‌هاي جرياني را امكان‌پذير مي‌كند. جهت ارزيابي مدل، رفتار آن بر روي جريان‌هاي داده حقيقي و مصنوعي كه داراي تغيير مفهوم هستند و همچنين روي داده‌هاي نويزي بررسي شده و نتايج بدست آمده با CVFDT كه از الگوريتم‌هاي يادگيري افزايشي پرطرفدار و در واقع الگوريتم پايه مدل پيشنهادي است، مقايسه شده است. نتايج بدست آمده نشان مي‌دهد كه مدل دقت رده‌بندي بالاتري در مقايسه با الگوريتم‌هاي رقيب ارائه مي‌دهد و همچنين روي داده‌هاي نويزي نيز عملكرد خوبي از خود نشان مي‌دهد. واژه‌هاي كليدي: درخت تصميم موازي-محور، درخت تصميم اريب، ابرصفحه اريب، آزمون چند متغيره، يادگيري افزايشي.