قياس رويكردي الگورتيم­هاي يادگيري ماشين براي درخت تصميم­گيريC4.5 و شبكه عصبي مصنوعي

مسئله يادگيري ماشين زمينه تحقيقاتي نويني در هوش مصنوعي است كه در حال حاضر دوران رشد و تكامل خود را مي­گذراند و زمينه­اي بسيار فعال به عنوان يكي از گرايش­هاي پركاربرد هوش مصنوعي است كه به تنظيم و اكتشاف شيوه‌ها و الگوريتم‌هايي مي‌پردازد كه براساس آن­ها رايانه‌ها و سامانه‌ها توانايي تعلٌم و يادگيري پيدا ‌مي­كنند و يادگيري ماشين عبارت است از اين­كه چگونه مي­توان برنامه­اي نوشت كه از طريق تجربه، يادگيري كند و عملكرد خود را بهتر كند و يكي از بارزترين الگوريتم­هاي يادگيري ماشين همان درختان تصميم­گيري هستند كه با توجه به حجم بالاي اطلاعات در بانك­هاي داده و يافتن اطلاعات مفيد و مناسب در آن­ها ضرورت پيدا كرده. از سويي ديگر يادگيري درخت تصميم C4.5، يكي از پركاربردترين و كارآمدترين متدهاي يادگيري استقراريي براي پردازش داده ها مي­باشد كه برخلاف روش­هايي مانند شبكه­هاي عصبي مصنوعي، كه چگونگي عملكرد خود را ارائه نمي­كنند، پيش بيني خود را در قالب قوانيني از نظر پارامترهاي آماري وپردازشي مناسب، ارائه مي­كند. هدف اين مقاله، ارائه كارا بودن روش يادگيري درخت تصميم­گيري به عنوان روشي مناسب و قوي براي داده­هايي با حجم بالا، نسبت به شبكه عصبي مصنوعي مي­باشد. در روش تحقيق، ارزيابي از عملكردهايالگوريتم­هاي يادگيري ماشين يعني درخت تصميم­گيري و شبكه عصبي انجام گرديده كه سرانجام در بخش يافته­ها و نتايج تجربي الگوريتم­هاي يادگيري پيشنهادي مبتني بر توابع محك پياده سازي گرديده كه در نهايت الگورتيم يادگيري درخت تصميم­گيري C4.5، نسبت به رقيب خود يعني شبكه عصبي مصنوعي توانست به نتايج بهينه­تري دست يابد.