دسته‌بندی یکی از مهمترین فرآیندهای مورد مطالعه در حوزه یادگیری ماشین و داده کاوی است که در برنامه‌های کاربردی فراوانی از جمله دسته‌بندی متن، تشخیص پزشکی، بیوانفورماتیک و... مورد استفاده قرار می‌گیرد. مسائل دسته‌بندی را می‌توان براساس تعداد برچسب‌های منتسب به هر یک از داده‌ها به دو دسته کلی مسائل دسته‌بندی تک برچسبی و مسائل دسته‌بندی چند برچسبی تقسیم کرد. در مسائل دسته‌بندی تک برچسبی، هر داده دارای یک برچسب منحصر به فرد است. اکثر مطالعات صورت گرفته در حوزه یادگیری ماشین مربوط به این نوع مسائل دسته‌بندی بوده است. اما مسائل مهم زیادی وجود دارد که حل آنها مستلزم انجام دسته‌بندی چند برچسبی است. در این مسائل، هر داده ممکن است به بیش از یک برچسب منتسب شود. سامانه‌های دسته‌بندی یادگیرنده (LCS) یک اسلوب ایجاد و استنتاج قوانین هستند که از الگوریتم ژنتیک به عنوان ساز و کار اولیه جستجو استفاده می‌کنند. این اسلوب‌ها به دنبال یک مجموعه از قوانین قابل اطمینان و با درجه صحت بالا هستند. اگرچه فعالیت‌های مختلفی برای انجام دسته‌بندی توسط سامانه‌های دسته‌بندی یادگیرنده انجام شده است اما اکثر این فعالیت‌ها نیز برای دسته‌بندی داده‌های تک برچسبی بوده و در مورد دسته‌بندی چند برچسبی این تحقیقات در اول راه قرار دارد. هدف اصلی این تحقیق، ایجاد یک مجموعه قوانین با استفاده از LCS برای دسته‌بندی داده‌های چند برچسبی است که نتایجی کارآمد و قابل مقایسه با سایر روش‌های دسته‌بندی چند برچسبی داشته باشد. در این تحقیق از XCS به عنوان سامانه پایه استفاده شده و بخش‌های عمده آن برای ایجاد امکان مواجهه با داده‌های چند برچسبی مورد تغییر قرار گرفته است. برای این منظور دو روش مختلف بازنمایی دانش برای مسائل دسته‌بندی چند برچسبی، روش پاداش‌دهی متناسب با این مسائل و یک ساز و کار کشف قوانین که با استفاده از یک مکانیزم رای‌گیری برای LCS و با بهره‌گیری از تجربیات قبلی سامانه‌ی کشف را هدایت می‌کند معرفی شده است.
کد نوشتار : 257333