بهبود رده بندي داده هاي نامتوازن در الگوريتم جنگل تصادفي با استفاده از شبكه هاي عصبي-فازي

امروزه پژوهشگران براي داده‌كاوي ، با دو نوع داده، مواجه هستند: 1- داده‌هاي متوازن 2- داده‌هاي نامتوازن . چالش اصلي، در داده‌كاوي داده‌هاي نامتوازن است. از طرفي، يكي از روش‌هاي داده‌كاوي، رده‌بندي است. براي رده‌بندي داده‌هاي نامتوازن با چالش‌هايي مانند: استخراج مدل جانبدارانۀ متمايل به داده‌هاي آموزشي، رده‌بندي اشتباه رده اقليت ، صرفه‌نظر كردن از داده‌هاي مهم ردۀ اقليت و بيش‌پوشش مواجه هستيم؛ از اين رو از روش‌هاي مرسوم و معمول نمي‌توان براي رده‌بندي اين نوع داده‌ها استفاده كرد. در اين تحقيق، سعي شده است رده‌بندي داده‌هاي نامتوازن با الگوريتم جنگل تصادفي را با استفاده از روش شبكه‌هاي عصبي–فازي انفيس ، بهبود بخشيده و معيارهاي مختلف براي ارزيابي اين روش، سنجيده شود.