توسعه روش طبقه بندی دیتاست های نامتوازن با استفاده از الگوریتم های تکاملی چندهدفه

طبقه بندی داده ها از مباحث اساسی علم مدیریت است که از رویکردهای مختلفی مورد بررسی قرار گرفته است. روش های هوش مصنوعی از مهمترین روش های طبقه بندی هستند که اغلب آنها تابع دقت کل را در ارزیابی عملکرد مد نظر قرار می دهند. از آنجاییکه در دیتاست های نامتوازن، این تابع، هزینه خطاهای پیش بینی را یکسان در نظر می گیرد، در این پژوهش علاوه بر تابع دقت کل، از تابع حساسیت نیز به منظور افزایش دقت در هر یک از کلاس های از پیش تعریف شده، استفاده شده است. به علاوه، بدلیل پیچیدگی فرآیند کسب اطلاعات از تصمیم گیرنده، از الگوریتم فرا ابتکاری NSGA II جهت استنتاج مقادیر پارامترها، (بردار وزن و سطوح برش بین کلاس ها) استفاده گردیده است. در هر تکرار، الگوریتم با استفاده از بردار وزن برآورد شده و دیتاست ها، امتیاز هر آلترناتیو را با تابع Sum Product محاسبه نموده و در مقایسه با سطوح برش تخمینی، آن آلترناتیو را به یکی از دسته ها تخصیص می دهد. سپس با استفاده از توابع برازش، دسته تخمینی و دسته واقعی را مقایسه نموده و این فرایند تا بهینه سازی پارامترها ادامه می یابد. مقایسه نتایج الگوریتم های NSGA II و NRGA، نشان دهنده کارایی بالای الگوریتم ارائه شده است.