چارچوب توزيع شده براي استخراج قوانين فازي از داده ها

به دليل افزايش روزافزون پايگاه هاي داده، قابليت مقياس پذيري و اجراي موازي در الگوريتم هاي داده كاوي اهميت زيادي پيدا كرده است. در اين مقاله يك چهارچوب توزيع شده ي جديد براي استخراج قوانين دسته بندي از بين داده ها با استفاده از رويكرد چندعاملي در كنار قوانين فازي پيشنهاد مي شود. از ويژگي هاي مهم اين چهارچوب مي توان به قابليت مقياس پذيري، خودسازماندهي در فرآيند يادگيري با استفاده از عامل هاي خودمختار و قابليت برخورد با عدم قطعيت با استفاده از قوانين فازي اشاره كرد. هر عامل يك ديد محلي از مجموعه داده ي آموزشي دارد. تعامل بين عامل ها در فرآيند يادگيري و استخراج دانش باعث كاهش حجم پايگاه قواعد و انتخاب قانون هاي دسته بندي مناسب مي شود. به دليل اينكه يادگيري عامل ها مي تواند همزمان با هم صورت گيرد قابليت اجراي موازي را فراهم مي كند و در نتيجه زمان يادگيري را كاهش مي دهد. قوانين استخراج شده توسط عامل هايي كه سطح اطمينان قابل قبولي دارند، براي فرآيندهاي تصميمگيري و دسته بندي استفاده مي شود. در اين مقاله از سه مسئله ي تصميم گيري پزشكي براي ارزيابي چهارچوب پيشنهادي استفاده مي كنيم و از لحاظ تعداد قوانين فازي استخراج شده و دقت تشخيص با روش هاي متمركز مقايسه مي كنيم