بخشی از مقاله
ﭼﮑﯿﺪه – درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي ﻣﺪﻟﯽ ﺗﺮﮐﯿﺒﯽ اﺳﺖ ﮐﻪ درﺧﺖ ﺗﺼﻤﯿﻢ را ﺑﺎ ﻣﻨﻄﻖ ﻓﺎزي ﺗﺮﮐﯿﺐ ﮐﺮده اﺳﺖ.در اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﺮاي ﺳﺎﺧﺖ درﺧﺖ ﻓﺎزي از ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻓﺎزي اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ ﮐﻪ درﺧﺖ ﻋﺼﺒﯽ ﻓﺎزي ﻧﺎﻣﯿﺪه ﻣﯽﺷﻮد. ﺳﺎﺧﺘﺎر ﮐﻠﯽ درﺧﺖ ﻋﺼﺒﯽ ﻓﺎزي ﻫﻤﺎﻧﻨﺪ درﺧﺖ ﻓﺎزي اﺳﺖ و در ﻫﺮ ﮔﺮه داﺧﻠﯽ درﺧﺖ، ﺑﻪ ﺟﺎي اﺳﺘﻔﺎده از ﯾﮏ ﺷﺮط ﻓﺎزي ﺑﺮاي ﺑﺨﺶﺑﻨﺪي، از ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻓﺎزي اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ ﺗﺎ ﻋﻼوه ﺑﺮ اﺳﺘﻔﺎده از ﻣﺰاﯾﺎي درﺧﺖ ﻓﺎزي، از ﻣﺰاﯾﺎي ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻓﺎزي ﻫﻤﺎﻧﻨﺪ اﻧﻌﻄﺎفﭘﺬﯾﺮي ﻧﯿﺰ ﺑﻬﺮهﻣﻨﺪ ﺷﻮﯾﻢ. درﺧﺖ ﻋﺼﺒﯽ ﻓﺎزي داراي ﯾﺎدﮔﯿﺮ ي ﺑﺮﺧﻂ اﺳﺖ و ﺑﺮاي ﯾﺎدﮔﯿﺮي دادهﻫﺎيﺟﺮﯾﺎﻧﯽ ﻣﻨﺎﺳﺐ اﺳﺖ و ﺑﻪ راﺣﺘﯽ ﻣﯽﺗﻮاﻧﺪ ﺑﺎ ﺗﻐﯿﯿﺮ ﻣﻔﻬﻮم اﯾﺠﺎد ﺷﺪه در دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ وﻓﻖ ﭘﯿﺪا ﮐﻨﺪ. ﻫﻤﭽﻨﯿﻦ درﺧﺖ ﻋﺼﺒﯽ ﻓﺎزي ﻣﯽﺗﻮاﻧﺪ دادهﻫﺎي ﻣﻐﺸﻮش و وﯾﮋﮔﯽﻫﺎي ﺑﺪون ﻣﻘﺪار را ﻣﺪﯾﺮﯾﺖ ﮐﻨﺪ. ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺸﺎت ﻧﺸﺎن ﻣﯽدﻫﻨﺪﮐﻪ درﺧﺖ ﻋﺼﺒﯽ ﻓﺎزي داراي ﻣﺰاﯾﺎي ﺑﻬﺘﺮي ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﯾﺮ دﺳﺘﻪﺑﻨﺪﻫﺎ ﺑﺮاي دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ اﺳﺖ.
ﮐﻠﯿﺪ واژه- درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي، درﺧﺖ ﻋﺼﺒﯽ ﻓﺎزي، ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻓﺎزي، دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ
1. ﻣﻘﺪﻣﻪ
ﺑﺮاي ﻣﺪﯾﺮﯾﺖ ﮐﺮدن دادهﻫﺎي ﺑﺎ ﻣﻔﻬﻮم ﻓﺎزي، ﻣﻐﺸﻮش و ﭘﯿﻮﺳــﺘﻪ ﺗﻮﺳــﻂ درﺧﺖ ﺗﺼــﻤﯿﻢ اﺳــﺘﺎﻧﺪارد، ﻣﺤﻘﻘﺎن ﺗﻼش ﮐﺮدهاﻧﺪ ﻣﻨﻄﻖ ﻓﺎزي ﺑﻪ ﻫﻤﺮاه ﻗﺎﺑﻠﯿﺖ اﺳــﺘﺪﻻل ﺗﻘﺮﯾﺒﯽ آن را ﺑﺎ اﺳـــﺘﻘﺮاي درﺧﺖ ﺗﺼـــﻤﯿﻢ ﻧﻤﺎدﯾﻦ ﺗﺮﮐﯿﺐ ﮐﻨﻨﺪ ﮐﻪ روش اﯾﺠﺎد ﺷــﺪه، درﺧﺖ ﺗﺼــﻤﯿﻢ ﻓﺎزي ﻧﺎﻣﯿﺪه ﻣﯽﺷــﻮد. در واﻗﻊ، ﻫـﺪف از اﯾﺠـﺎد درﺧﺖ ﺗﺼـــﻤﯿﻢﮔﯿﺮي ﻓﺎزي، ﺗﺮﮐﯿﺐ ﻧﻤﺎﯾﺶ ﻓﺎزي ﺑﺎ ﺗﻮاﻧﺎﯾﯽ اﺳـﺘﺪﻻل ﺗﻘﺮﯾﺒﯽ آن و درﺧﺖ ﺗﺼﻤﯿﻢ ﻧﻤﺎدي اﺳـﺖ ﺗﺎ ﻣﺰﯾﺖﻫﺎي ﻫﺮ دو روش ﺣﻔﻆ ﺷﻮد. از درﺧﺖ ﺗﺼﻤﯿﻢ ﻓـﺎزي ﻣﯽﺗﻮان در دﺳـــﺘـﻪﺑﻨﺪيﻫﺎي ﻓﺎزي و ﻫﻤﭽﻨﯿﻦ ﺗﻮﻟﯿﺪ ﻗﻮاﻧﯿﻦ ﻓﺎزي اﺳﺘﻔﺎده ﮐﺮد.[3-1]
در زﻣﯿﻨﻪ درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي، ﻣﻘﺎﻻت زﯾﺎدي اراﺋﻪ ﺷﺪه اﺳـــﺖ. Ichihashi و ﻫﻤﺮاﻫـﺎﻧﺶ اﺳـــﺘﺨﺮاج ﻗﻮاﻧﯿﻦ ﻓﺎزي از درﺧﺖ ﺗﺼـﻤﯿﻢ ﻓﺎزي را ﻣﻮرد ﻣﻄﺎﻟﻌﻪ ﻗﺮار دادﻧﺪ. Xizhao و
Hong وﯾﮋﮔﯽﻫﺎي ﭘﯿﻮﺳـــﺘﻪ را ﺑﺎ اﺳـــﺘﻔﺎده از اﻋﺪاد ﻓﺎزي ﺑﻪ وﯾﮋﮔﯽﻫﺎي ﮔﺴـﺴﺘﻪ ﺗﺒﺪﯾﻞ ﮐﺮدﻧﺪ. از ﻃﺮف دﯾﮕﺮ، Pedrycz و Sosnowski از ﺧﻮﺷﻪﺑﻨﺪي ﻓﺎزي ﺑﺮاي اﻧﺠﺎم اﯾﻦ ﮐﺎر اﺳﺘﻔﺎده ﮐﺮدﻧﺪ. Yuan و Shaw درﺧﺖ ﺗﺼــﻤﯿﻢ ﻓﺎزي را ﺑﺎ اﺳــﺘﻔﺎده از ﻣﻌﯿﺎر ﮐﺎﻫﺶ اﺑﻬﺎم ﮐﻼسﺑﻨﺪي اﯾﺠﺎد ﮐﺮدﻧﺪ.[3]
ﺳـــﺘﺎر ﻫﺎﺷـــﻤﯽ [5]، FlexDT را ﻣﻌﺮﻓﯽ ﮐﺮد ﮐﻪ ﺑﺮاي اوﻟﯿﻦ ﺑـﺎرﻣﻨﻄﻖ ﻓـﺎزي را وارد دﺳـــﺘﻪﺑﻨﺪي دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ ﻧﻤﻮد ﺗـﺎ از ﻗـﺎﺑﻠﯿـﺖ ﺑﯿـﺎن ﻋـﺪم ﻗﻄﻌﯿﺖ ﻣﻨﻄﻖ ﻓﺎزي در ﮐﻨﺎر درﺧﺖ ﺗﺼـﻤﯿﻢ اﺳـﺘﻔﺎده ﮐﻨﺪ. ﻫﺮﭼﻨﺪ روش اراﺋﻪ ﺷﺪه داراي ﻣﺰاﯾـﺎﯾﯽ ﻫﻤﭽﻮن ﻣـﺪﯾﺮﯾـﺖ ﮐﺮدن وﯾﮋﮔﯽﻫـﺎي ﺑﺪون ﻣﻘﺪار و ﻧﻮﯾﺰي اﺳـــﺖ و ﻫﻤﭽﻨﯿﻦ ﻣﯽﺗﻮاﻧﺪ ﺑﺎ ﺗﻐﯿﯿﺮ ﻣﻔﻬﻮم1 وﻓﻖ ﯾﺎﺑﺪ، اﻣﺎ اﯾﻦ روش ﻧﯿﺰ داراي ﻣﻌﺎﯾﺒﯽ اﺳـﺖ. ﺳﺎﺧﺖ FlexDT داراي دو ﻣﺮﺣﻠﻪ ﺟﻠﻮرو و ﻋﻘﺒﮕﺮد اﺳﺖ ﮐﻪ ﺗﺎ ﺣﺪي ﺳﺮﻋﺖ ﯾﺎدﮔﯿﺮي را ﮐـﺎﻫﺶ ﺧﻮاﻫـﺪ داد. ﻫﻤﭽﻨﯿﻦ، اﮔﺮ ﭘﺎﯾﮕﺎه داده ﺗﻤﺎﻣﺎ داراي وﯾﮋﮔﯽﻫﺎي ﻏﯿﺮ ﻋﺪدي ﺑﺎﺷـــﺪ، FlexDT ﺑﻪ درﺧﺖ ﺗﺼـــﻤﯿﻢ ﻋﺎدي ﺗﺒﺪﯾﻞ ﺷﺪه و ﮐﺎراﯾﯽ ﺑﺎﻻﯾﯽ ﻧﺨﻮاﻫﺪ داﺷﺖ.
1 concept change
ﻣﺠﻠﻪﻋﻠﻤﯽ ﭘﮋوﻫﺸﯽ راﯾﺎﻧﺶ ﻧﺮم و ﻓﻨﺎوري اﻃﻼﻋﺎت............................................................................................ﺟﻠﺪ3 ﺷﻤﺎره 1،ﺳﺎل1393
ﻣﺘﺪﻫﺎﯾﯽ ﮐﻪ ﺗﺎﮐﻨﻮن ﺑﺮاي ﯾﺎدﮔﯿﺮي درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي اراﺋﻪ ﺷﺪهاﻧﺪ داراي ﻗﺎﺑﻠﯿﺖ اﻧﻌﻄﺎفﭘﺬﯾﺮي ﻧﯿﺴﺘﻨﺪ، ﺑﺪﯾﻦ ﻣﻌﻨﯽ ﮐﻪ ﺑﺮاي ﯾﺎدﮔﯿﺮي دادهﻫﺎي ﺟﺪﯾﺪ، ﺳﺎﺧﺘﺎر درﺧﺖ ﺑﺎﯾﺪ دوﺑﺎره اﯾﺠﺎد ﺷﻮد و ﻧﻤﯽﺗﻮان از آﻧﻬﺎ در دﺳﺘﻪﺑﻨﺪي دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ اﺳﺘﻔﺎده ﮐﺮد.
ﺷـﺒﮑﻪ ﻋﺼﺒﯽ ﻓﺎزي ﺗﺮﮐﯿﺐ ﺷﺒﮑﻪ ﻋﺼﺒﯽ و ﻣﻨﻄﻖ ﻓﺎزي اﺳــﺖ. در اﯾﻦ ﺣﺎﻟﺖ، ﻣﻨﻄﻖ ﻓﺎزي ﺑﺮاي ﺑﻬﺒﻮد ﮐﺎراﯾﯽ ﺷــﺒﮑﻪ ﻋﺼـﺒﯽ و ﯾﺎ اﺿﺎﻓﻪ ﻧﻤﻮدن ﻣﻔﻬﻮم ﻋﺪم ﻗﻄﻌﯿﺖ ﺑﻪ ﺷﺒﮑﻪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽﮔﯿﺮد. ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻓﺎزي ﺑﻪ دﻟﯿﻞ اﯾﻨﮑﻪ ﻧﺤﻮه ﯾﺎدﮔﯿﺮي آن ﺷـﺒﯿﻪ ﺑﻪ اﻧﺴﺎن اﺳﺖ (اﺳﺘﻔﺎده از ﺷﺒﮑﻪ ﻋﺼﺒﯽ)
و ﻫﻤﭽﻨﯿﻦ از ﻣﻨﻄﻖ ﻓﺎزي ﺑﺮاي ﺑﯿﺎن ﻋﺪم ﻗﻄﻌﯿﺖ اﺳـــﺘﻔﺎده ﻣﯽﮐﻨﺪ، ﻣﯽﺗﻮاﻧﺪ راه ﺣﻞ ﻣﻨﺎﺳــﺒﯽ ﺑﺮاي دﺳــﺘﻪﺑﻨﺪي دادهﻫﺎ ﺑﺎﺷـﺪ.[6] ﯾﮑﯽ از ﻣﺪلﻫﺎي ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻓﺎزي، ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻓﺎزي min-max اﺳــﺖ ﮐﻪ ﺑﺮاي اوﻟﯿﻦ ﺑﺎر ﺗﻮﺳــﻂ simpson [7] اراﺋﻪ ﺷﺪه اﺳﺖ. اﯾﻦ ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ ﻓﺎزي ﺑﺎ اﺳﺘﻔﺎده از ﻣﺠﻤﻮﻋﻪ ﻓﺎزي اﺑﺮﺟﻌﺒﻪ2ﻫﺎ ﺳــﺎﺧﺘﻪ ﻣﯽﺷــﻮﻧﺪ. ﻣﺪل ﮔﺴــﺘﺮش ﯾﺎﻓﺘﻪ اﯾﻦ ﻣﺪل در ﺳـﺎل 2000 ﺗﻮﺳﻂ ﮔﺎﺑﺮﯾﺲ [8] اراﺋﻪ ﺷﺪ. ﺷــﺒﮑﻪ ﻋﺼــﺒﯽ ﻓﺎزي ﮔﺴــﺘﺮش ﯾﺎﻓﺘﻪ3 داراي ﯾﺎدﮔﯿﺮي ﺑﺮﺧﻂ اﺳﺖ و ﻣﯽﺗﻮاﻧﺪ اﻟﮕﻮﻫﺎي ورودي را ﺑﻪ ﺻﻮرت ﺟﺮﯾﺎﻧﯽ درﯾﺎﻓﺖ ﮐﻨﺪ.
ﺑﺮاي اﯾﻨﮑـﻪ دﺳـــﺘـﻪﺑﻨـﺪي داﺷـــﺘﻪ ﺑﺎﺷـــﯿﻢ ﮐﻪ داراي اﻧﻌﻄﺎفﭘﺬﯾﺮي ﺑﺎﺷﺪ ،ﺑﺘﻮاﻧﺪ دادهﻫﺎي ﻣﻐﺸﻮش را ﻣﺪﯾﺮﯾﺖ ﮐﻨﺪ
و ﻫﻤﭽﻨﯿﻦ ﺧﻮد را ﺑﺎ ﺗﻐﯿﯿﺮ ﻣﻔﻬﻮم ﺗﻄﺒﯿﻖ دﻫﺪ، در اﯾﻦ ﻣﻘﺎﻟﻪ، ﻣﺘﺪ ﺟﺪﯾﺪي ﺑﺮاي ﺳــﺎﺧﺖ درﺧﺖ ﺗﺼــﻤﯿﻢ ﻓﺎزي اراﺋﻪ ﮐﺮدﯾﻢ ﮐﻪ ﺑﺎﻋﺚ اﻓﺰاﯾﺶ اﻧﻌﻄﺎفﭘﺬﯾﺮي درﺧﺖ ﺷــﺪه و داراي ﻗﺎﺑﻠﯿﺖ ﯾﺎدﮔﯿﺮي ﺑﺮﺧﻂ اﺳــﺖ. در ﻣﺘﺪ ﺑﯿﺎن ﺷــﺪه ﺑﺮاي اوﻟﯿﻦ ﺑﺎر در ﺳـﺎﺧﺖ درﺧﺖ ﺗﺼـﻤﯿﻢ ﻓﺎزي از ﺷـﺒﮑﻪ ﻋﺼﺒﯽ ﻓﺎزي اﺳﺘﻔﺎده ﺷـﺪهاﺳـﺖ ﮐﻪ درﺧﺖ ﻋﺼـﺒﯽ ﻓﺎزي4 ﻧﺎﻣﯿﺪه ﻣﯽﺷﻮد. در اﯾﻦ ﻣﻘﺎﻟﻪ اﺻـــﻼﺣﺎﺗﯽ ﺑﺮ روي GFMM اﻧﺠﺎم دادﯾﻢ و از آن ﺑﺮاي ﺳﺎﺧﺖ درﺧﺖ ﻋﺼﺒﯽ ﻓﺎزي اﺳﺘﻔﺎده ﮐﺮدﯾﻢ.
ﺑﻪ دﻟﯿﻞ اﯾﻨﮑﻪ ﮐﻪ ﺷــﺒﮑﻪ ﻋﺼــﺒﯽ ﻓﺎزي اﺳــﺘﻔﺎده ﺷــﺪه داراي اﻧﻌﻄﺎفﭘﺬﯾﺮي ﺑﺎﻻﯾﯽ اﺳـﺖ، ﺑﺪﯾﻦ ﺻﻮرت ﮐﻪ ﺑﻪ راﺣﺘﯽ
ﻣﯽﺗﻮاﻧـﺪ ﺧﻮد را ﺑـﺎ ﺗﻐﯿﯿﺮ ﻣﻔﻬﻮم در دادهﻫﺎي ورودي ﺗﻄﺒﯿﻖ دﻫﺪ و ﻫﻤﭽﻨﯿﻦ داراي ﯾﺎدﮔﯿﺮي ﺑﺮﺧﻂ اﺳــﺖ، درﺧﺖ ﻋﺼﺒﯽ ﻓﺎزي اﯾﺠﺎد ﺷـــﺪه داراي ﻗﺎﺑﻠﯿﺖ ﯾﺎدﮔﯿﺮي ﺑﺮﺧﻂ ﺑﻮده و ﺑﺮاي دﺳﺘﻪﺑﻨﺪي دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ ﻣﻨﺎﺳﺐ اﺳﺖ.
درﺧﺖ ﻋﺼﺒﯽ ﻓﺎزي ﺑﻪ راﺣﺘﯽ ﻣﯽﺗﻮاﻧﺪ دادهﻫﺎي ﻣﻐﺸﻮش و وﯾﮋﮔﯽﻫـﺎي ﺑـﺪون ﻣﻘـﺪار را ﻣـﺪﯾﺮﯾﺖ ﮐﻨﺪ. ﺑﻪ دﻟﯿﻞ وﺟﻮد ﺷـــﺒﮑـﻪ ﻋﺼـــﺒﯽ ﻓـﺎزي ﻣﯽﺗﻮاﻧﺪ ﺑﺎ ﺗﻐﯿﯿﺮ ﻣﻔﻬﻮم ﻣﻮﺟﻮد در دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ اﻧﻄﺒﺎق ﯾﺎﺑﺪ. ﻫﻤﺎﻧﻄﻮر ﮐﻪ در ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺸﺎت ﻣﺸـﺎﻫﺪه ﮐﺮدﯾﻢ، دﻗﺖ دﺳﺘﻪﺑﻨﺪي FNTree در اﮐﺜﺮ ﻣﻮاﻗﻊ از دﯾﮕﺮ اﻟﮕﻮرﯾﺘﻢﻫﺎي رﻗﯿﺐ ﻫﻤﭽﻮن FlexDT ﺑﯿﺸــﺘﺮ اﺳــﺖ و زﻣﺎن ﺑﺴﯿﺎر زﯾﺎدي ﻫﻢ ﺑﺮاي آﻣﻮزش اﻟﮕﻮرﯾﺘﻢ ﻧﯿﺎز ﻧﯿﺴﺖ.
2. داده ﻫﺎي ﺟﺮﯾﺎﻧﯽ
ﯾﮑﯽ از ﭘﺪﯾﺪهﻫﺎي ﻧﻮ ﻇﻬﻮر در دﻧﯿﺎي اﻃﻼﻋﺎت، دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ اﺳـﺖ. اﯾﻦ ﭘﺪﯾﺪه، اﺷﺎره ﺑﻪ ﺣﺠﻢ وﺳﯿﻌﯽ از اﻃﻼﻋﺎت اﻧﺒﺎﺷــﺘﻪ ﺷــﺪه دارد ﮐﻪ ﻣﺤﺪودﯾﺖﻫﺎي ﻓﺮاواﻧﯽ ﺑﺮاي ﭘﺮدازش اﯾﺠــﺎد ﮐﺮدهاﻧــﺪ. ﯾﮑﯽ از اﯾﻦ ﻣﻮاﻧﻊ اﺻـــﻠﯽ در ﭘﺮدازش اﯾﻦ دادهﻫﺎ، اﻧﺪازه اﯾﻦ دادهﻫﺎ اﺳﺖ ﮐﻪ ﺑﯿﺶ از ﺣﺎﻓﻈﻪ اﺻﻠﯽ اﺳﺖ، ﻟﺬا ﻣﯽﺑﺎﯾﺴــﺖ اﻟﮕﻮرﯾﺘﻢﻫﺎي ﺟﺪﯾﺪي ﺑﺮاي ﺑﺮﺧﻮرد ﺑﺎ اﯾﻦﮔﻮﻧﻪ
دادهﻫﺎ ﺗﻮﺳﻌﻪ ﯾﺎﺑﻨﺪ.[9]
داده ﺟﺮﯾﺎﻧﯽ، دﻧﺒﺎﻟﻪاي از ﻧﻤﻮﻧﻪﻫﺎي 1 اﺳــﺖ ﮐﻪ
و ﻣﯽ ﺗﻮان ﺗﻨﻬﺎ
ﺑﺎﯾﺪ ﺑﻪ ﺗﺮﺗﯿﺐ ﻣﻮرد دﺳــﺘﺮﺳــﯽ ﻗﺮار ﮔﺮﻓﺘﻪ, , …
ﯾﮑﺒﺎر ﯾﺎ ﺗﻌﺪاد ﺑﺴــﯿﺎر ﮐﻤﯽ آﻧﺮا ﺧﻮاﻧﺪ و ﺑﺎ ﺳـــﺮﻋﺖ و ﺣﺠﻢ زﯾﺎدي وارد ﺳـﯿﺴﺘﻢ ﻣﯽﺷﻮﻧﺪ. ﻫﺮ ﺧﻮاﻧﺪن از دﻧﺒﺎﻟﻪ ﯾﮏ ﻣﺮور ﺧﻄﯽ ﯾـﺎ ﮔـﺬر ﻧﺎﻣﯿﺪه ﻣﯽ ﺷـــﻮد. ﻣﺪل دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ ﺑﺎ ﭘﯿﺪاﯾﺶ ﺑﺮﻧﺎﻣﻪﻫﺎﯾﯽ ﺷـــﺎﻣﻞ ﻣﺠﻤﻮﻋﻪ دادهﻫﺎي ﺑﺰرگ، ﻣﻮرد ﺗﻮﺟــﻪ ﻗﺮار ﮔﺮﻓﺘﻨــﺪ، ﺑﺮاي ﻣﺜــﺎل، رﻫﮕﯿﺮي ﮐﻠﯿـﮏ ﮐــﺎرﺑﺮان اﯾﻨﺘﺮﻧﺖ، ﻣﺠﻤﻮﻋﻪﻫﺎي ﺑﺰرگ ﺻـــﻔﺤﺎت وب، دادهﻫﺎي ﭼﻨﺪ رﺳــﺎﻧﻪ اي، ﻣﻌﺎﻣﻼت ﻣﺎﻟﯽ و دادهﻫﺎي ﮔﺮدآوري ﺷــﺪه ﻋﻠﻤﯽ، ﺑﻬﺘﺮﯾﻦ ﻣﺪلﻫﺎي دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ ﻫﺴﺘﻨﺪ.[11-9]
ﯾﮑﯽ از ﻣﻬﻢﺗﺮﯾﻦ ﺗﻔــﺎوت دادهﻫــﺎي ﺟﺮﯾــﺎﻧﯽ و دادهﻫــﺎي
4 Fuzzy Neural Tree (FNTree) 2 hyperbox
3 general fuzzy min-max (GFMM) neural network
73
ﯾﺎدﮔﯿﺮي درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻓﺎزي............................................................................................ ﻣﻘﺪم و ﻫﻤﮑﺎر
اﯾﺴــﺘﺎي ﺳــﻨﺘﯽ اﯾﻦ اﺳــﺖ ﮐﻪ ﻣﻔﻬﻮم ﺟﺮﯾﺎن دادهﻫﺎ در ﻃﻮل زﻣﺎن ﺗﻐﯿﯿﺮ ﺧﻮاﻫﺪ ﮐﺮد. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﯾﮏ ﻓﺮﺳﺎﯾﺶ ﮐﻮﭼﮏ در ﯾﮑﯽ از دﺳﺘﮕﺎهﻫﺎ در ﯾﮏ ﮐﺎرﺧﺎﻧﻪ ﻣﻤﮑﻦ اﺳﺖ ﺑﺎﻋﺚ ﺗﻐﯿﯿﺮ ﺑﺴـــﯿﺎر زﯾﺎدي در ﺑﺨﺶﻫﺎي ﺧﺮوﺟﯽ ﺷـــﻮد. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل دﯾﮕﺮ، ﺗﺮاﮐﻨﺶﻫﺎي ﻣﺸﺘﺮي ﯾﮏ ﺑﺎﻧﮏ ﻣﻤﮑﻦ اﺳﺖ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ روز ﻫﻔﺘﻪ و ﯾﺎ ﻣﻮارد ﮔﻮﻧﺎﮔﻮن دﯾﮕﺮي، دﭼﺎر ﺗﻐﯿﯿﺮ ﺷﻮد. ﺑﺪﯾﻦ ﺗﺮﺗﯿﺐ، دﺳﺘﻪﺑﻨﺪﻫﺎي دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ ﺑﺮﺧﻼف دﺳﺘﻪﺑﻨﺪﻫﺎي دادهﻫﺎي اﯾﺴـﺘﺎ، ﺑﺎﯾﺪ ﻗﺎدر ﺑﻪ ﺗﺸـﺨﯿﺺ ﺗﻐﯿﯿﺮ ﻣﻔﻬﻮم ﺑﺎﺷﻨﺪ و ﺧﻮدﺷﺎن را ﺑﺎ اﯾﻦ ﺗﻐﯿﯿﺮات وﻓﻖ دﻫﻨﺪ.[9]
در زﻣﯿﻨﻪ دﺳـــﺘﻪﺑﻨﺪي دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ ﮐﺎرﻫﺎي زﯾﺎدي اﻧﺠﺎم ﺷـــﺪه اﺳـــﺖ، وﻟﯽ ﻫﺮ ﮐﺪام از آﻧﻬﺎ داراي ﻣﺸـــﮑﻼﺗﯽ ﻫﺴﺘﻨﺪ. اﻟﮕﻮرﯾﺘﻢﻫﺎﯾﯽ ﻫﻤﭽﻮن درﺧﺖ ﺗﺼﻤﯿﻢ ﺳﺮﯾﻊ وﻓﻖﭘﺬﯾﺮ ﺑﺎ ﻣﻔﻬﻮم[11]5، اﺟﺘﻤﺎع ﺟﺮﯾﺎن[12] 6 و اﺟﺘﻤﺎع دﺳﺘﻪﺑﻨﺪﻫﺎي وزندار[13] 7 ﭼﮕﻮﻧﮕﯽ ﺑﺮﺧﻮرد ﺑﺎ دادهﻫﺎي ﻣﻐﺸــﻮش راﺑﯿﺎن ﻧﮑﺮدهاﻧﺪ و ﺑﻪ ﻫﻤﯿﻦ دﻟﯿﻞ داراي دﻗﺖ ﺑﺎﻻﯾﯽ ﻧﯿﺴﺘﻨﺪ.
اﻟﮕﻮرﯾﺘﻢ اﻧﺘﺨﺎب دﺳـــﺘﻪﺑﻨﺪ ﺑﻪ ﺻـــﻮرت ﭘﻮﯾﺎ [14] 8، ﺑﻪ ﻃﻮر ﺧﺎص ﺑﺮاي دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ ﻣﻐﺸـﻮش اﯾﺠﺎد ﺷـﺪهاﺳﺖ. اﻧـﺪازه ﻣﺠﻤﻮﻋـﻪ ارزﯾـﺎﺑﯽ ﺑﺮاي اﻧﺘﺨـﺎب دﺳـــﺘﻪﺑﻨﺪﻫﺎ در اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﺗﺎﺛﯿﺮ ﺑﺴﯿﺎر زﯾﺎدي در ﮐﺎراﯾﯽ اﻟﮕﻮرﯾﺘﻢ ﺧﻮاﻫﺪ داﺷﺖ و ﻫﻤﭽﻨﯿﻦ داراي ﭘﯿﭽﯿـﺪﮔﯽ زﻣـﺎﻧﯽ ﺑـﺎﻻﯾﯽ اﺳـــﺖ ﮐﻪ ﺑﺮاي دﺳﺘﻪﺑﻨﺪي دادهﻫﺎي ﺟﺮﯾﺎﻧﯽ ﻣﻨﺎﺳﺐ ﻧﺨﻮاﻫﺪ ﺑﻮد.
3. درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي
درﺧﺖ ﺗﺼــﻤﯿﻢ ﻓﺎزي9 ﻣﺪﻟﯽ ﺗﺮﮐﯿﺒﯽ ﺑﺮاي دﺳــﺘﻪﺑﻨﺪي دادهﻫﺎﺳـــﺖ ﮐﻪ ﻫﺪف آن ﺗﺮﮐﯿﺐ درﺧﺖ ﺗﺼـــﻤﯿﻢ ﻧﻤﺎدﯾﻦ ﺑﺎ اﺳـﺘﺪﻻل ﺗﻘﺮﯾﺒﯽ اراﺋﻪ ﺷﺪه ﺗﻮﺳﻂ ﻧﻤﺎﯾﺶ ﻓﺎزي اﺳﺖ. ﻧﺘﯿﺠﻪ اﻧﺠـﺎم اﯾﻦ ﮐـﺎر، اﺳـــﺘﻔﺎده از ﻣﺰﯾﺖﻫﺎي ﻫﺮ دو روش اﺳـــﺖ: ﻋﻤﻮﻣﯿﺖ در ﯾﺎدﮔﯿﺮي از ﻧﻤﻮﻧﻪﻫﺎ و ﻗﺎﺑﻠﯿﺖ ﻓﻬﻢ داﻧﺶ ﺑﻪ دﺳﺖ آﻣﺪه از درﺧﺖ ﺗﺼﻤﯿﻢ و ﻫﻤﭽﻨﯿﻦ ﺗﻮاﻧﺎﯾﯽ ﮐﺎر ﺑﺎ دادهﻫﺎي ﻏﯿﺮ دﻗﯿﻖ و ﻧﺎدرﺳــﺖ اراﺋﻪ ﺷــﺪه ﺗﻮﺳــﻂ ﻧﻤﺎﯾﺶ ﻓﺎزي. در درﺧﺖ
ﺗﺼـﻤﯿﻢ ﻓﺎزي ﺳـﻌﯽ ﺷـﺪه اﺳـﺖ ﺗﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻗﺎﺑﻠﯿﺖﻫﺎي ﻣﻨﻄﻖ ﻓﺎزي، ﺗﻮاﻧﺎﯾﯽ اداره ﮐﺮدن دادهﻫﺎي ﻧﻮﯾﺰي و ﭘﯿﻮﺳـــﺘﻪ ﺗﻮﺳــﻂ درﺧﺖ ﺗﺼــﻤﯿﻢ ﻧﯿﺰ اﻓﺰاﯾﺶ ﭘﯿﺪا ﮐﻨﺪ. داﻧﺶ ﺑﺪﺳــﺖ آﻣـﺪه از دادهﻫــﺎ ﺗﻮﺳـــﻂ درﺧـﺖ ﺗﺼـــﻤﯿﻢ ﻓــﺎزي ﺑـﻪ روش ﺗﺼﻤﯿﻢﮔﯿﺮي اﻧﺴﺎن ﺑﺴﯿﺎر ﻧﺰدﯾﮏ ﺧﻮاﻫﺪ ﺑﻮد.[3]
ﻫﺮ درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي داراي ﺳﻪ ﺑﺨﺶ اﺻﻠﯽ اﺳﺖ:[5]
1. ﺑﺨﺶﺑﻨـﺪي ﻫﺮ ﮐـﺪام از وﯾﮋﮔﯽﻫـﺎ ﺑـﻪ ﻣﺠﻤﻮﻋﻪ ﻓﺎزي و اﺧﺘﺼـﺎص دادن ﺿﺮﯾﺐ ﻋﻀﻮﯾﺖ ﺑﻪ ﻫﺮ ﮐﺪام از ﻣﻘﺎدﯾﺮ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﺎﺑﻊ ﻋﻀﻮﯾﺖ (ﻓﺎزي ﺳﺎزي دادهﻫﺎ)
2. اﺳـﺘﻔﺎده از ﺿـﺮﯾﺐ ﻋﻀـﻮﯾﺖ ﻓﺎزي ﺑﺮاي ﺳــﺎﺧﺖ درﺧﺖ ﻓﺎزي
3. اﺳﺘﻨﺘﺎج از درﺧﺖ ﻓﺎزي ﺑﺮاي دﺳﺘﻪﺑﻨﺪي ﮐﺮدن ﻧﻤﻮﻧﻪﻫﺎ
درﺧـﺖ ﺗﺼـــﻤﯿﻢ ﻓﺎزي از دو ﺟﻬﺖ ﺑﺎ درﺧﺖ ﺗﺼـــﻤﯿﻢ اﺳـﺘﺎﻧﺪارد ﻣﺘﻔﺎوت اﺳﺖ: اول اﯾﻨﮑﻪ از ﺷﺮطﻫﺎي ﺑﺨﺶ ﺑﻨﺪي ﮐﻪ ﺑﺮ ﭘﺎﯾﻪ ﻣﺤﺪودﯾﺖ ﻓﺎزي ﻫﺴــﺘﻨﺪ اﺳــﺘﻔﺎده ﻣﯽﮐﻨﺪ و دوم اﯾﻨﮑﻪ ﺗﺎﺑﻊ اﺳﺘﻨﺘﺎج آن ﻣﺘﻔﺎوت اﺳﺖ . [1-3]
ﺳﺎﺧﺖ درﺧﺖ ﻓﺎزي
در ID3 ﺳــﻨﺘﯽ، ﺿــﺮﯾﺐ ﻋﻀــﻮﯾﺖ ﻧﻤﻮﻧﻪﻫﺎ در ﻣﺠﻤﻮﻋﻪ ﺑﺨﺶﺑﻨﺪي، ﻋﺪد دودوﯾﯽ ﺻــﻔﺮ و ﯾﮏ ﻣﯽﺑﺎﺷــﻨﺪ، ﯾﻌﻨﯽ اﯾﻨﮑﻪ ﯾﺎ ﻋﻀــﻮ ﮐﻼﺳــﯽ ﻫﺴــﺘﻨﺪ (ﺿــﺮﯾﺐ ﻋﻀــﻮﯾﺖ ﯾﮏ) و ﯾﺎ ﺧﯿﺮ (ﺿﺮﯾﺐ ﻋﻀﻮﯾﺖ ﺻﻔﺮ). وﻟﯽ در درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي، ﻋﻀﻮﯾﺖ ﻧﻤﻮﻧﻪﻫﺎ ﺑﻪ ﮐﻼسﻫﺎ ﻣﺠﻤﻮﻋﻪ ﻓﺎزي ﺧﻮاﻫﻨﺪ ﺑﻮد، ﺑﻨﺎﺑﺮاﯾﻦ اﯾﺪه ﻣﺠﻤﻮﻋﻪ ﻓﺎزي و ﻣﻨﻄﻖ ﻓﺎزي ﺑﺎﯾﺪ در درﺧﺖ ﺗﺼــﻤﯿﻢ ﻓﺎزي ﺑﻪ ﮐﺎر ﮔﺮﻓﺘﻪ ﺷــﻮﻧﺪ. ﺑﺮاي اﺻــﻼح روش ﻣﺸــﺨﺺ ﮐﺮدن ﺗﻌﺪاد ﻧﻤﻮﻧﻪﻫﺎﯾﯽ ﮐﻪ در ﯾﮏ ﮔﺮه ﻗﺮار ﻣﯽﮔﯿﺮﻧﺪ، از ﻧُﺮمﻫﺎي اﺳــﺘﻔﺎده ﺷﺪه در ﻣﻨﻄﻖ ﻓﺎزي ﺑﻬﺮه ﺑﺮده ﻣﯽﺷﻮد.
ﻓﺮآﯾﻨﺪ ﺑﺎزﮔﺸـﺘﯽ ﮐﻪ ﺑﺮاي ﺳــﺎﺧﺖ درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي در[1]ﺑﯿﺎن ﺷﺪه اﺳﺖ ﺑﺪﯾﻦ ﺻﻮرت اﺳﺖ:
.1 ﺑﺮاي ﻫﺮ ﮔﺮه ﻣﺤﺘﻮاي اﻃﻼﻋﺎﺗﯽ ﻓﺎزي ﻣﺤﺎﺳﺒﻪ ﻣﯽﺷﻮد.
The concept-adapting very fast decision tree (CVFDT) 5 8 dynamic classifier selection (DCS)
6 streaming ensemble algorithm (SEA) 9 Fuzzy Decision Tree (FDT)
The weighed classifier ensemble (WCE) 7
74
ﻣﺠﻠﻪﻋﻠﻤﯽ ﭘﮋوﻫﺸﯽ راﯾﺎﻧﺶ ﻧﺮم و ﻓﻨﺎوري اﻃﻼﻋﺎت............................................................................................ﺟﻠﺪ3 ﺷﻤﺎره 1،ﺳﺎل1393
2. ﺑﺮاي ﻫﺮ وﯾﮋﮔﯽ ﺑﺎﻗﯿﻤﺎﻧﺪه ﮐﻪ در ﻣﺴــﯿﺮ ﺑﺮاي ﺑﺨﺶﺑﻨﺪي اﺳــﺘﻔﺎده ﻧﺸــﺪه اﺳــﺖ، ﺑﻬﺮه اﻃﻼﻋﺎت ﻓﺎزي ﻣﺤﺎﺳــﺒﻪ ﻣﯽﺷﻮد.
3. ﮔﺮه ﻓﻌﻠﯽ ﺑـﺎ اﺳـــﺘﻔـﺎده از وﯾﮋﮔﯽ ﮐـﻪ ﺑﻬﺮه اﻃﻼﻋﺎﺗﯽ را ﺑﯿﺸﯿﻨﻪ ﻣﯽﮐﻨﺪ ﺑﺴﻂ داده ﻣﯽﺷﻮد.
ﭘﺮوﺳﻪ ﺳﺎﺧﺘﯽ ﮐﻪ در ﺑﺎﻻ ﺑﺮاي درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي ﺑﯿﺎن ﺷـــﺪ ﻫﻤﺎﻧﻨﺪ ID3 ﻣﯽﺑﺎﺷـــﺪ. ﺗﻨﻬﺎ ﺗﻔﺎوت در اﯾﻦ اﺳـــﺖ ﮐﻪ ﻧﻤﻮﻧـﻪﻫـﺎي آﻣﻮزﺷـــﯽ ﻣﯽﺗﻮاﻧﻨﺪ در ﭼﻨﺪﯾﻦ ﮔﺮه ﺑﺎ ﺿـــﺮاﯾﺐ ﻋﻀــﻮﯾﺖ ﻣﺨﺘﻠﻒ وﺟﻮد داﺷــﺘﻪ ﺑﺎﺷــﻨﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺤﺎﺳــﺒﻪ اﻓﺰاﯾﺸـﯽ ﺿـﺮاﯾﺐ ﻋﻀﻮﯾﺖ، ﭘﯿﭽﯿﺪﮔﯽ ﻣﺤﺎﺳﺒﺎﺗﯽ دو اﻟﮕﻮرﯾﺘﻢ ﺷﺒﯿﻪ ﺑﻪ ﻫﻢ ﻣﯽﺑﺎﺷﺪ.
ﻫﻤﺎﻧﻨﺪ درﺧﺖ ﺗﺼــﻤﯿﻢ ﺳــﻨﺘﯽ ، FDT ﺑﻪ ﺷــﯿﻮه ﺑﺎﻻ ﺑﻪ ﭘﺎﯾﯿﻦ ﺑﺎ ﺑﺨﺶﺑﻨﺪي ﺑﺎزﮔﺸــﺘﯽ ﭘﺎﯾﮕﺎه داده ﺑﻪ زﯾﺮﻣﺠﻤﻮﻋﻪﻫﺎي ﮐﻮﭼﮏﺗﺮ ﺳـﺎﺧﺘﻪ ﻣﯽﺷـﻮد. دو ﻣﺴﺌﻠﻪ ﻣﻬﻢ در ﺳﺎﺧﺖ درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﯽﺑﺎﺷﻨﺪ:[3 ,1]
.1 ﺷﺮط اﻧﺘﺨﺎب وﯾﮋﮔﯽ در :FDT
ﻣﺘـﺪ اﺳـــﺘﺎﻧﺪارد ﺑﺮاي اﻧﺘﺨﺎب ﺑﻬﺘﺮﯾﻦ وﯾﮋﮔﯽ در درﺧﺖ ﺗﺼـﻤﯿﻢ ﺳـﻨﺘﯽ ، اﻧﺘﺨﺎب وﯾﮋﮔﯽاي اﺳـﺖ ﮐﻪ ﺑﺎﻋﺚ ﺑﯿﺸﺘﺮﯾﻦ ﺑﻬﺮه اﻃﻼﻋﺎﺗﯽ ﻣﯽﺷــﻮد. اﻣﺎ اﯾﻦ اﻣﺮ در درﺧﺖ ﺗﺼــﻤﯿﻢ ﻓﺎزي ﻣﺸﮑﻼﺗﯽ اﯾﺠﺎد ﻣﯽﮐﻨﺪ. ﺑﺮﺧﯽ از روشﻫﺎ ﺑﺮاي اﻧﺘﺨﺎب وﯾﮋﮔﯽ در درﺧـﺖ ﻓﺎزي ﻋﺒﺎرﺗﻨﺪ از: ﺑﻬﺮه اﻃﻼﻋﺎت ﻓﺎزي10، ﺿـــﺮﯾﺐ ﺑﻬﺮه ﻓﺎزي11، Gini ﻓﺎزي، ﺑﻬﺮه اﻃﻼﻋﺎت ﺗﻮﺳـــﻌﻪ دادهﺷـــﺪه ﻓﺎزي.[1]12
.2 ﺷﺮط ﺗﻮﻗﻒ:
ﻣﻌﻤﻮﻻً ﯾﺎدﮔﯿﺮي درﺧﺖ ﺗﺼــﻤﯿﻢ ﺳــﻨﺘﯽ زﻣﺎﻧﯽ ﺑﻪ ﭘﺎﯾﺎن ﻣﯽرﺳﺪ ﮐﻪ ﺗﻤﺎﻣﯽ وﯾﮋﮔﯽﻫﺎ در ﻃﻮل ﻣﺴﯿﺮ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﺑﮕﯿﺮﻧﺪ ﯾﺎ اﯾﻨﮑﻪ ﺗﻤﺎﻣﯽ ﻧﻤﻮﻧﻪﻫﺎي ﻣﻮﺟﻮد در ﮔﺮه ﻓﻌﻠﯽ ﺑﻪ ﯾﮏ ﮐﻼس اﺧﺘﺼـﺎص داﺷـﺘﻪ ﺑﺎﺷﻨﺪ. در FDT ﯾﮏ ﻧﻤﻮﻧﻪ ﺷﺎﯾﺪ در ﭼﻨﺪﯾﻦ ﮔﺮه ﺑﺎ ﺿـﺮاﯾﺐ ﻋﻀـﻮﯾﺖ ﻣﺨﺘﻠﻒ ﺣﻀـﻮر داﺷﺘﻪ ﺑﺎﺷﺪ.
ﺑﻨـﺎﺑﺮاﯾﻦ،ﻋﻤﻮﻣﺎً̋ ﻫﻤﻪ ﻧﻤﻮﻧﻪﻫﺎ در ﺗﻤﺎﻣﯽ ﮔﺮهﻫﺎ وﺟﻮد دارﻧﺪ . اﯾﻦ اﻣﺮ ﺑﺎﻋﺚ ﺑﺰرگ ﺷــﺪن درﺧﺖ ﻓﺎزي ﻣﯽﺷــﻮد. ﺑﺮاي ﺣﻞ اﯾﻦ ﻣﺸﮑﻞ ﭼﻨﺪﯾﻦ ﻣﺘﺪ ﭘﯿﺸﻨﻬﺎد ﺷﺪه اﺳﺖ.[5]
اﺳﺘﻨﺘﺎج ﺑﺮاي ﺗﺼﻤﯿﻢﮔﯿﺮي ﻣﻬﻢﺗﺮﯾﻦ اﺧﺘﻼف ﺑﯿﻦ درﺧﺖ ﺗﺼﻤﯿﻢ اﺳﺘﺎﻧﺪارد و ﻓﺎزي،
ﻧﺤﻮه اﺧﺘﺼـــﺎص دادن ﺑﺮﭼﺴـــﺐ ﮐﻼس ﺑﻪ ﻧﻤﻮﻧﻪﻫﺎي ﺟﺪﯾﺪ اﺳــﺖ. اﯾﻦ اﺧﺘﻼف ﺑﻪ ﺧﺎﻃﺮ دو ﻣﻮﺿــﻮع زﯾﺮ ﺧﻮاﻫﺪ ﺑﻮد,15] :[16
1. FDT ﺷﺎﻣﻞ ﺑﺮگﻫﺎﯾﯽ اﺳﺖ ﮐﻪ ﻫﺮ ﮐﺪام ﺷﺎﻣﻞ ﻧﻤﻮﻧﻪ-
ﻫﺎﯾﯽ ﺑﺎ ﺑﺮﭼﺴﺐ ﮐﻼس ﻣﺘﻔﺎوت ﻫﺴﺘﻨﺪ (ﺑﺎ ﺿﺮﯾﺐ ﻣﺘﻔﺎوﺗﯽ از ﺗﻄﺒﯿﻖ).
2. ﭘﺮوﺳﻪ اﺳﺘﻨﺘﺎج در واﻗﻊ ﺗﻄﺒﯿﻖ ﻧﻤﻮﻧﻪ ﺟﺪﯾﺪ ﺑﺎ ﭼﻨﺪﯾﻦ ﺑﺮگ ﺑﺎ درﺟﻪ اﻧﻄﺒﺎق ﻣﺨﺘﻠﻒ اﺳﺖ.
ﺑﺮاي اﺳﺘﻨﺘﺎج ار درﺧﺖ ﻓﺎزي، اﺑﺘﺪا ﺿﺮﯾﺐ اﻧﻄﺒﺎق ﻧﻤﻮﻧﻪ ورودي را ﻧﺴــﺒﺖ ﺑﻪ ﻫﺮ ﮐﺪام از ﻣﺴــﯿﺮﻫﺎي ﻣﻤﮑﻦ ﻫﻤﭽﻨﯿﻦ ﺿــﺮﯾﺐ ﻋﻀــﻮﯾﺖ آن در ﻫﺮ ﮐﺪام از ﮔﺮهﻫﺎي ﺑﺮگ ﻣﺤﺎﺳــﺒﻪ ﻣﯽﮐﻨﯿﻢ، ﺳـﭙﺲ ﺿـﺮﯾﺐ ﻋﻀﻮﯾﺖ ﺑﻪ دﺳﺖ آﻣﺪه را ﺑﺎ اﺳﺘﻔﺎده از ﯾﮑﯽ از روشﻫﺎي ﻏﯿﺮﻓﺎزيﺳـــﺎزي13 ﺑﺎ ﻫﻢ ﺗﺮﮐﯿﺐ ﻣﯽﮐﻨﯿﻢ ﺗﺎ ﺑﻪ ﻧﺘﯿﺠﻪ ﻗﻄﻌﯽ ﺑﺮﺳﯿﻢ.
ﻣﺰاﯾﺎ و ﻣﻌﺎﯾﺐ درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي در ﺣﺎﻟﺖ ﮐﻠﯽ ﻣﯽﺗﻮان ﮔﻔﺖ ﮐﻪ درﺧﺖ ﺗﺼــﻤﯿﻢ ﻓﺎزي ﺑﻪ
دﻻﯾﻞ زﯾﺮ ﺑﺴﯿﺎر ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ:[19-17 ,3] ﻣﺰﯾﺖ ﻣﻬﻢ درﺧﺖ ﺗﺼـــﻤﯿﻢ ﻓﺎزي اﯾﻦ اﺳـــﺖ ﮐﻪ روش
ﺳـﺎﺧﺖ آن ﻫﻤﺎﻧﻨﺪ درﺧﺖ ﺗﺼﻤﯿﻢ ﺳﻨﺘﯽ اﺳﺖ. اﯾﻦ اﻣﺮ ﺑﺎﻋﺚ ﻣﯽﺷـــﻮد ﺗﺎ از ﺳـــﺎﺧﺘﺎر ﻗﺎﺑﻞ ﻓﻬﻤﯽ ﻫﻤﺎﻧﻨﺪ درﺧﺖ ﺗﺼـــﻤﯿﻢ ﺳــﻨﺘﯽ ﺑﺮاي ﻓﻬﻢ و وارﺳــﯽ اﻃﻼﻋﺎت اﺳــﺘﻔﺎده ﮐﻨﺪ. درﺧﺖ ﺗﺼـــﻤﯿﻢ ﻓﺎزي ﻣﯽﺗﻮاﻧﺪ دادهﻫﺎﯾﯽ ﺑﺎ ﻣﻘﺎدﯾﺮ ﻧﻤﺎدﯾﻦ، ﻋﺪدي و ﺗﺮمﻫـﺎي ﻓﺎزي را ﻣﺪﯾﺮﯾﺖ ﮐﻨﺪ. ﺑﻪ دﻟﯿﻞ اﯾﻨﮑﻪ ﻣﺤﺪودﯾﺖﻫﺎي ﻓﺎزي ﺑﺎ اﺳـــﺘﻔﺎده از ﺗﻮاﺑﻊ ﻋﻀـــﻮﯾﺖ ﻓﺎزي ﻣﻮرد ارزﯾﺎﺑﯽ ﻗﺮار
Fuzzy Information Gain 10 12Fuzzy Extended Information Measure
Fuzzy Gain Ratio 11 13 defuzzification
75
min-max
ﯾﺎدﮔﯿﺮي درﺧﺖ ﺗﺼﻤﯿﻢ ﻓﺎزي ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻓﺎزي............................................................................................ ﻣﻘﺪم و ﻫﻤﮑﺎر
ﻣﯽﮔﯿﺮﻧﺪ، اﯾﻦ روال ﺑﺎﻋﺚ ﺑﺮﻗﺮاري ارﺗﺒﺎط ﺑﯿﻦ داﻣﻨﻪ ﭘﯿﻮﺳﺘﻪ و وﯾﮋﮔﯽﻫﺎي ﻣﻄﻠﻖ ﻣﯽﺷﻮد.
ﺑﺎ اﺳـﺘﻔﺎده از ﻣﺠﻤﻮﻋﻪ ﻓﺎزي و اﺳﺘﺪﻻل ﺗﻘﺮﯾﺒﯽ ﻣﯽﺗﻮان دادهﻫﺎي ﻣﻐﺸﻮش، ﻣﺘﻨﺎﻗﺾ14 و ﻏﯿﺮ ﮐﺎﻣﻞ را ﭘﺮدازش ﮐﺮد. ﺑﻪ ﻫﻤﯿﻦ دﻟﯿـﻞ از دﻗـﺖ ﺑـﺎﻻﺗﺮي ﻧﺴـــﺒﺖ ﺑﻪ درﺧﺖ ﺗﺼـــﻤﯿﻢ ﺑﺮﺧﻮردار ﺧﻮاﻫﯿﻢ ﺷﺪ.
از ﻃﺮف دﯾﮕﺮ، ﻋﻼوه ﺑﺮ ﻣﺰاﯾﺎي ﺑﯿﺎن ﺷـــﺪه، FDT داراي ﻣﻌﺎﯾﺒﯽ ﻧﯿﺰ اﺳﺖ:[17 ,5 ,2 ,1]
از ﻧﻈﺮ ﻣﺤﺎﺳــﺒﺎﺗﯽ، اﯾﻦ ﻣﺘﺪ، از درﺧﺖ ﺗﺼــﻤﯿﻢ ﺳــﻨﺘﯽ ﮐﻨﺪﺗﺮ اﺳﺖ. ﭘﺎﯾﯿﻦ ﺑﻮدن ﺳﺮﻋﺖ ﻫﺰﯾﻨﻪاي اﺳﺖ ﺑﺮاي اﻓﺰاﯾﺶ دﻗﺖ در ﺻـــﻮرﺗﯽ ﮐﻪ ﺗﻔﺴـــﯿﺮﭘﺬﯾﺮي ﮐﺎﻫﺶ ﻧﻤﯽﯾﺎﺑﺪ. از دﯾﺪ ﻫﺮس ﮐﺮدن، اﮔﺮ درﺧﺖ ﺑﻪ اﻧﺪازهاي ﺑﺰرگ ﺑﺎﺷــﺪ ﮐﻪ ﺷــﺮط اﻧﺘﺨﺎب ﺑﻬﺘﺮﯾﻦ وﯾﮋﮔﯽ ﮐﺎﻓﯽ ﻧﺒﺎﺷــﻨﺪ ﯾﺎ اﯾﻨﮑﻪ وﯾﮋﮔﯽ اﺻــﻠﯽ ﻧﻤﻮﻧﻪﻫﺎ ﺑﻪ ﺷـﯿﻮه ﻣﻨﺎﺳـﺒﯽ اﺳﺘﻔﺎده ﻧﺸﻮد، درﺧﺖ ﻓﺎزي اﯾﺠﺎد ﺷـــﺪه ﺑﻪ اﻟﮕﻮرﯾﺘﻢ ﻫﺮس ﮐﺮدن ﺑﺮاي ﮐﺎﻫﺶ اﻧﺪازه ﻧﯿﺎز دارد. درﺧﺖ ﺗﺼـﻤﯿﻢ ﻓﺎزي ﻧﺴﺒﺖ ﺑﻪ ﺗﻐﯿﯿﺮ دادهﻫﺎي ورودي داراي اﻧﻌﻄﺎفﭘﺬﯾﺮي ﭘﺎﯾﯿﻨﯽ اﺳــﺖ و ﺑﺮاي ﯾﺎدﮔﯿﺮي دادهﻫﺎي ﺟﺪﯾﺪ، ﺳـﺎﺧﺘﺎر درﺧﺖ ﺑﺎﯾﺪ ﺑﻪ ﮐﻠﯽ ﻋﻮض ﺷــﻮد و ﯾﺎ اﯾﻨﮑﻪ ﺑﺨﺸﯽ از آن دوﺑﺎره اﯾﺠﺎد ﺷﻮد.
