کشف قواعد دسته بندی فازی با استفاده از الگوریتم کلونی زنبورهای مصنوعی ممتیکی برای داده های زیستی

امروزه به دلیل اجرای پروژه های متعدد با هدف یافتن توالی ژن ها، میزان زیادی از داده های زیستی جمع آوری شده است. از این رو کاوش این گونه داده ها و کشف دانش مفید از درون آن ها اهمیت فراوانی پیدا کرده است. الگوریتم های داده کاوی کمک شایانی به پیش بینی در حوزه های مختلف زیست شناسی کرده اند، اما از میان آن ها الگوریتم هایی که به کشف دانش قابل تفسیر می انجامند دارای اهمیتی دو چندانی می باشند. این دانش کمک شایانی به خبره های این زمینه می کند تا درک بهتری از موضوع مورد مطالعه ی خود داشته باشند. در این پایان نامه، مبتنی بر الگوریتم کلونی زنبورهای مصنوعی، سه الگوریتم متفاوت به نام های beeminer، rbeeminer و fuzzybeeminer برای استخراج قواعد دسته بندی و قواعد دسته بندی فازی ارائه می شود. همچنین، گسترش های متفاوتی از الگوریتم beeminer با توجه به مفاهیم جست و جوی محلی و یادگیری اجتماعی فزاینده معرفی می شود. برای ارزیابی کارایی الگوریتم ها از چندین مجموعه داده عمومی و سه مجموعه داده زیستی به نام های e-coli، psf و hiv-1 cleavage site استفاده می شود. مجموعه داده e-coli مربوط به مکان یابی پروتئین ها، مجموعه داده psf مربوط به پیش بینی فراخانواده ی پروتئین ها و مجموعه داده hiv-1 cleavage site مربوط به پیش بینی محل برش در ویروس hiv-1 است. نتایج آزمایش های انجام شده نشان می دهند که الگوریتم beeminer با جست و جوی محلی و یادگیری اجتماعی فزاینده از کارایی بیشتری در مقایسه با سایر گسترش های این الگوریتم برخودار است. همچنین، قواعد دسته بندی استخراج شده توسط هر سه الگوریتم beeminer، rbeeminer و fuzzybeeminer از دقت بیشتری در مقایسه با سایر الگوریتم های دسته بندی مبتنی بر قاعده برخوردار هستند.