مروری بر درختان تصمیم فازی و غیرفازی
علم داده کاوی با گسترش سیستم های پایگاه داده و حجم بالای داده های ذخیره شده در این سیستم ها، مطرح شده است تا بتوان الگوهای مفید در داده ها را شناسایی کرده و با در اختیار قرار دادن اطلاعات به کاربران، آنها را در اتخاذ تصمیمات مهم کمک نمود. در علم داده کاوی نظریه مجموعه های فازی نقش مهمی دارد و باعث پیدایش «داده کاوی فازی» شده است. پژوهش های متعددی در حوزه داده کاوی فازی انجام شده که در این مقاله، نقش مبحث فازی در درختان تصمیم مورد مطالعه قرار گرفته است. درخت های تصمیم از عمومی ترین روش های یادگیری با ناظر می باشند. ولی چنانچه داده ها دارای کاستی ها و مشکلاتی از قبیل اغتشاش، حجم کم نمونه، دقت کم، ارزیابی شخصی و... باشند، درخت تصمیم کارایی کافی را نخواهد داشت. علاوه بر این مشکلات دیگری مانند وجود ویژگی های عددی پیوسته یا گسسته با اندازه زیاد نیز عملکر این درخت ها را تحت تاثیر قرار خواهند داد. در مواردی که درخت تصمیم دچار نقص می شود یک رهیافت جایگزین، ترکیب منطق فازی با درخت های تصمیم است. که حاصل آن درخت های تصمیم فازی است.لازم به ذکر است که بر خلاف داده کاوی کلاسیک، در حال حاضر در داده کاوی فازی معیارهای متشکل از مجموعه داده های فازی برای مقایسه الگوریتم ها وجود ندارد.مقاله حاضر به بررسی مفهوم درخت های تصمیم و منطق فازی می پردازد و سپس ترکیب این دو مفهوم یعنی درخت تصمیم فازی را تعریف خواهد کرد و به کاربرد ها و اهمیت آن خواهد پرداخت.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.