ارائه روش جدید مبتنی بر برنامه نویسی ژنتیک برای وزن دهی قوانین فازی در طبقه بندی نامتوازن

در زمینه مسائل طبقه بندی، اغلب با کلاس هایی مواجه می شویم که تعداد نمونه های متفاوتی دارند یعنی کلاس هایی با تعداد نمونه زیاد و کلاس هایی با تعداد نمونه ی کم؛ این مسائل «مسائل طبقه بندی با مجموعه داده های نامتوازن» نامیده می شوند. سیستم های طبقه بندی مبتنی بر قوانین فازی(FRBCSs) یکی از رایج ترین سیستم های مدلسازی فازی استفاده شده، برای حل مسائل طبقه بندی می باشند. وزن دهی قوانین اغلب برای بهبود دقت طبقه بندی استفاده می شود ومعمولا نسخه های فازی confidence و support برای تولید وزن قوانین فازی بکار می روند. در این مقاله، یک روش تکاملی بر مبنای برنامه نویسی ژنتیک برای تولید عبارات مربوط به وزن ارائه می شود. برای تولید عبارات از چهار معیار confidence، support، lift و recall به عنوان پایانه های برنامه نویسی ژنتیک استفاده می کنیم. آزمایش را بر روی 20 مجموعه داده از مجموعه داده های keel اجرا و سپس نتایج بدست آمده را با استفاده از تست های آماری تحلیل می کنیم. نتایج حاصل، نشان می دهد که کارایی FRBCS با استفاده از روش پیشنهادی بهبود می یابد.