عنوان پایان نامه

طراحی یک روش تفسیرپذیر قاعده محور برای طبقه بندی جریان داده ها


    نام دانشجو
    علی سجاد بلال

    اساتید راهنما
    حسین آقابابا



    طبقه‌بندی جریان داده‌ها موضوعی است که سال‌هاست مورد توجه محققان بوده و طی دهه‌ی اخیر موضوع بسیاری از تحقیقات بوده است. در طبقه‌بندی جریان داده‌ها، هدف مورد نظر پیش‌بینی طبقه‌ی یک نمونه‌ی فاقد طبقه است. این تحقیقات با یافته‌های خوبی همراه بوده‌اند اما یک خلأ همیشگی در آن‌ها وجود داشته و آن توجه به ویژگی تفسیرپذیری است. منظور از تفسیرپذیری عمق درک مدل ساخته شده توسط یک فرد خبره، سهولت دست‌یابی به این درک و پایداری آن است. تفسیرپذیر بودن یک مدل باعث می‌شود تا فرد خبره به نحوه‌ی پیش‌بینی طبقه‌ی یک نمونه‌ی جدید پی برده و روابط ارزشمندی را از آن استنباط کند. ما در این تحقیق سعی کردیم تا روشی تفسیرپذیر در طبقه‌بندی جریان داده‌ها طراحی کنیم و در عین حال کارایی را در حد قابل قبولی نگه داریم. پیاده‌سازی الگوریتم پیشنهادی، تولید جریان داده و مقایسه با روش‌های موجود با استفاده از نرم‌افزار MOA انجام شد. در روش طراحی شده پارامترهایی نظیر میزان تفسیرپذیری طبقه‌بندهای پایه، تعداد طبقه‌بندهای اضافه شده، تعداد تغییرات ایجاد شده در این طبقه‌بندها طی اجرای الگوریتم و تعداد تغییر ساختار در مدل نسبت به الگوریتم‌های شناخته شده‌ی فعلی در بیشتر اوقات وضعیت مطلوب‌تری داشت. الگوریتم پیشنهادی هم‌چنین از نظر مقدار دقت طبقه‌بندی، ثبات این دقت و زمان اجرا قابل رقابت با الگوریتم‌های شناخته شده‌ی فعلی است.