ارائه یک مدل جدید، برای دسته بندی داده ها، بر پایه الگوریتم مورچگان و منطق فازی

دنیای مدرن در حقیقت دنیای داده گرا است و ما در محاصره ی داده ها قرار گرفته ایم. پیشرفت های شگفت انگیز فناوری رایانه ای و مجهز شدن بشر به این ابزار امکان جمع آوری داده های دقیق و کامل را در زمینه های مختلف فراهم آورده است و منجر به پیدایش ساختارهای داده بسیار حجیم شده است. به طوری که استخراج اطلاعات مفید از میان این حجم عظیم داده پس از مدتی غیر ممکن می شود و استفاده از یک ابزار خودکار برای کشف دانش ضروری به نظر می رسد. داده کاوی فرآیندی است که ما را در کشف چنین دانشی یاری می دهد و اخیرا در زمینه های گسترده ای مورد استفاده قرار گرفته است. فرآیند داده کاوی شامل اعمال مختلفی نظیر دسته بندی، خوشه بندی، کشف قوانین انجمنی و غیره می باشد. اولین مرحله در استخراج دانش به کمک فرآیند داده کاوی، مشخص کردن عمل مورد استفاده است. هدف ما در این پایان نامه، استفاده از یک روش دسته بندی کارآمد برای واکشی دانش از مجموعه داده های پزشکی ورودی می باشد. روش های دسته بندی شامل دو مرحله آموزش و تست می باشد، در مرحله ی آموزش، با استفاده از داده های آموزش یک مدل که نشان دهنده ی الگوی حاکم بر داده ها می باشد، استخراج می شود. سپس در مرحله ی تست، کارایی مدل استخراج شده، ارزیابی می شود. در این مدل ارائه شده، یک مجموعه از قوانین if-then فازی ایجاد می شود. دانش استخراجی به صورت پایگاه قانون فازی است و در طی فرایند داده کاوی با الگوریتم مورچه بهینه سازی می شود. این روش که بر مبنای رفتار مورچه های واقعی می باشد، در مرحله ی آموزش یک مجموعه بهینه از قوانین فازی را کشف و استخراج می کند. در قسمت تست دسته بند، از یک موتور استنتاج فازی برای دسته بندی نمونه های آموزش استفاده می شود. در پایان، روش پیشنهادی به صورت نرم افزاری پیاده سازی شده و بر روی مجموعه داده های پزشکی uci، اعمال می شود. نتایج به دست آمده با نتایج روش های معروف در این زمینه مورد مقایسه قرار گرفته و دقت و کارایی مطلوبی از خود نشان داده است.