Ασαφή δέντρα αποφάσεων : παρουσίαση και πειραματική αξιολόγηση

• Κύριος συγγραφέας: Πετρόπουλος, Δημήτριος
• Άλλοι συγγραφείς: Χατζηλυγερούδης, Ιωάννης
• Μορφή: Thesis
• Γλώσσα: Greek
• Έκδοση: 2020
• Θέματα: Μηχανική μάθηση; Ασαφής λογική; Ασαφή σύνολα; Δέντρα απόφασης; Ασαφής δέντρα απόφασης; Αλγόριθμος ID3; Ασαφής αλγόριθμος ID3; Συνάρτηση συμμετοχής; Εντροπία; Κέρδος πληροφορίας; Λήψη αποφάσεων; Εξαγωγή γνώσης; Νευρωνικά δίκτυα; Ασαφής εντροπία; Machine learning; Fuzzy logic; Fuzzy sets; Decision trees; Fuzzy decision trees; ID3 algorithm; Fuzzy ID3 algorithm; Membership function; Entropy; Information gain; Decision making; Export of knowledge; Neural networks; Fuzzy entropy

Η παρούσα μεταπτυχιακή εργασία πραγματεύεται το γενικότερο πρόβλημα της ταξινόμησης, αξιοποιώντας τις τεχνικές της ασαφούς λογικής. Κύριος στόχος της είναι η ανάπτυξη μεθοδολογιών εξαγωγής ερμηνεύσιμων μοντέλων ταξινόμησης για την αντιμετώπιση προβλημάτων που χαρακτηρίζονται από υψηλή διαστατικότητα του χώρου των χαρακτηριστικών. Για τον σκοπό αυτό θα υλοποιηθούν και θα συγκριθούν ως προς την απόδοση και την αποτελεσματικότητά τους, τα ασαφή δέντρα απόφασης τα οποία αντιμετωπίζουν αποτελεσματικά ένα ευρύ φάσμα προβλημάτων ταξινόμησης του πραγματικού κόσμου αλλά και τα κλασσικά δέντρα απόφασης, τα οποία αποτελούν μια από τις πιο ευρέως χρησιμοποιούμενες πρακτικές μεθόδους για την εξαγωγή γνώσης και συμπερασμάτων χρησιμοποιώντας τον επαγωγικό συλλογισμό. Ο αλγόριθμος ID3 ο οποίος αρχικά προτάθηκε από τον Quinlan, χρησιμοποιεί την θεωρία πληροφορίας για τον προσδιορισμό του χαρακτηριστικού με το μεγαλύτερο κέρδος πληροφορίας. Παρόλα ο αλγόριθμος ID3 είναι αρκετά ασταθής, όταν έχει να αντιμετωπίσει σύνολα δεδομένων εκπαίδευσης με μικρές διαταραχές. Ο ασαφής αλγόριθμος ID3 βελτιώνει τις αστάθειες αυτές, λόγω της ελαστικότητας του φορμαλισμού των ασαφών συνόλων. Οι δύο παραπάνω μεθοδολογίες εμφανίζουν πλεονεκτήματα και μειονεκτήματα ανάλογα με την διαστατικότητα του χώρου εισόδου καθώς και την ισορροπία μεταξύ ακρίβειας και ταξινόμησης των συνόλων δεδομένων. Ιδιαίτερο χαρακτηριστικό των προτεινόμενων μεθοδολογιών είναι η δημιουργία απλών και εύληπτων μοντέλων ταξινόμησης, βασισμένα σε κανόνες οι οποίοι δεν διαφέρουν καθόλου από τον τρόπο με τον οποίο η ανθρώπινη σκέψη οδηγείτε σε συμπερασματικές προτάσεις. Οι προτεινόμενοι ταξινομητές αλλά και τα νευρωνικά δίκτυα θα εφαρμοστούν σε διάφορα σύνολα δεδομένων του πραγματικού κόσμου προκειμένου να μελετηθεί ο τρόπος με τον οποίο ανταποκρίνονται στα σύνολα αυτά και θα γίνει μια συγκριτική μελέτη προκειμένου να προσδιορίσουμε εάν η εφαρμογή της ασαφούς λογικής στα κλασσικά δέντρα απόφασης έχει ως αποτέλεσμα την εξαγωγή γνώσης η οποία μας προσφέρει μεγαλύτερη ακρίβεια.