داده کاوی فازی چیست؟ – به زبان ساده

اشکال گوناگون فازی بودن در داده کاوی فازی

اطلاعات ذهنی و عاطفی پس از ارائه مبحث فازی طرح شدند و امکان کاوش اطلاعات پیچیده‌ای که در محیط کلاسیک ارزش‌های صفر و یک کار با آن‌ها دشوار است را با در نظر گرفتن عواطف فراهم می‌کنند. در ادامه، فازی بودن در داده‌ها و دانش ورودی، مدل و دانش خروجی طی فرآیند داده‌کاوی مورد بررسی قرار گرفته. لازم به ذکر است در داده‌کاوی فازی برخلاف داده‌کاوی کلاسیک، هیچ محکی برای مقایسه الگوریتم‌ها وجود ندارد.

بنابراین، الگوریتم‌ها معمولا به وسیله محک‌های کلاسیک و گاهی پس از فرآیند فازی‌سازی مصنوعی داده‌های عددی، سنجیده می‌شوند. متاسفانه، چنین محک‌هایی تنها برای مقایسه صحت مدل‌ها مفید است نه تفسیرپذیری آن‌ها، لذا نیاز به ارائه رویکردهایی که بتوانند ببین صحت و تفسیرپذیری در مدل‌سازی فازی توازن ایجاد کنند احساس می‌شود.

فیلم آموزش تحلیل داده‌های پرت در داده‌کاوی در فرادرس

کلیک کنید

داده‌ها و دانش ورودی: ورودی گام یادگیری ماشین ترکیبی از داده‌ها و دانش پایه‌ای است. داده‌ها معمولا به عنوان یک مجموعه آموزش که الگوریتم یادگیری از آن ارتباطات یا همبستگی‌ها را استخراج و مدل را استنتاج می‌کند، فراهم می‌شوند. دانش از اطلاعات پس‌زمینه‌ای که به الگوریتم یادگیری برای مدیریت مجموعه آموزش یا سرعت بخشیدن به آن کمک می‌کند، ساخته می‌شود. فازی بودن در داده‌کاوی در دو سطح داده‌های فازی و دانش فازی به وقوع می‌پیوندد.

هنگامی که داده‌ها مجموعه‌های فازی یا سایر انواع مجموعه‌های غیرقطعی باشند، الگوریتم یادگیری باید مجموعه داده‌های فازی را مدیریت کند. این منجر به ایجاد نیاز برای تغییر در مولفه‌های رسمی الگوریتم برای توانمندسازی آن در مدیریت مجموعه‌های فازی، یا ساخت الگوریتم‌های جدید برمبنای نظریه مجموعه‌های فازی می‌شود. هنگامی که دانش فازی است، برای مثال جهت ارائه داده‌های عددی، به جای ساختن مقادیر عددی در گام پیش‌پردازش نیاز به استفاده از داده‌کاوی فازی است. دانش می‌تواند جهت ارائه اطلاعات افزوده در داده‌ها غیرقطعی باشد، در این حالت هر داده می‌تواند با یک احتمال یا هرگونه درجه عدم قطعیتی وزن‌دهی شود.

فیلم آموزش تجزیه‌ و تحلیل کلان‌داده با Hadoop – مقدماتی در فرادرس

کلیک کنید

فیلم مجموعه آموزش داده کاوی و یادگیری ماشین – مقدماتی تا پیشرفته در فرادرس

کلیک کنید

اگر نوشته بالا برای شما مفید بوده، آموزش‌های زیر نیز به شما پیشنهاد می‌شود:

• مجموعه آموزش‌های آمار، احتمالات و داده‌کاوی
• مجموعه آموزش‌های یادگیری ماشین و بازشناسی الگو
• مجموعه آموزش‌های شبکه‌های عصبی مصنوعی
• مجموعه آموزش‌های هوش محاسباتی
• مجموعه آموزش‌های برنامه‌نویسی پایتون (Python)
• آموزش برنامه‌نویسی R و نرم‌افزار R Studio
• مجموعه آموزش‌های برنامه نویسی متلب (MATLAB)

^^