유전 알고리즘은 유전 상속 절차를 사용하는 수학적 구조입니다. 그들은 다양한 분석 문제에 성공적으로 사용되었습니다. 데이터 마이닝은 인간의 이해와 정보의 자동 분석을 연결하여 설계 또는 주요 관계를 찾을 수 있습니다.
여러 변수에 대해 표시되는 대규모 데이터베이스가 주어지면 목표는 데이터베이스에서 가장 흥미로운 디자인을 효과적으로 찾는 것입니다. 유전자 알고리즘은 일부 소프트웨어에서 흥미로운 디자인을 인식하는 데 사용되었습니다. 그들은 일반적으로 다른 연관 규칙인 의사결정 트리 알고리즘과 같은 다른 알고리즘의 실행을 향상시키기 위해 데이터 마이닝에 사용됩니다.
유전 알고리즘에는 특정 데이터 구조가 필요했습니다. 범주 구조로 정의된 특성을 가진 모집단에서 작업합니다. 유전학과의 유추는 인구(유전자)가 특성을 포함한다는 것입니다. 유전 알고리즘을 구현하는 방법은 돌연변이의 특징을 가진 연산자(생식, 교차, 선택)를 사용하여 아마도 더 나은 조합의 생성을 향상시키는 것입니다.
유전자 알고리즘 절차는 다음과 같습니다 -
-
무작위로 부모를 선택할 수 있습니다.
-
크로스오버를 통해 재현할 때 사용합니다.
-
재생산은 그것을 처리할 단일 개체를 선택하는 것입니다. 즉, 생존을 결정하기 위해 몇 가지 객관적인 서비스 또는 선택 기능이 필요합니다. 크로스오버는 엔티티의 미래 생산 변화를 설명합니다.
-
피트니스 서비스를 통해 다음 세대의 생존자를 선택할 수 있습니다.
-
돌연변이는 다음 작업에서 무작위로 선택된 엔티티의 무작위로 선택된 속성을 변환하는 서비스입니다.
-
주어진 체력 수준에 도달하거나 현재 반복 횟수에 도달할 때까지 반복할 수 있습니다.
-
유전 알고리즘 매개변수에는 인구 크기, 교차 비율 및 돌연변이 비율이 포함됩니다.
유전 알고리즘의 장점
Genetic 알고리즘의 장점은 다음과 같습니다 -
-
유전 알고리즘은 생성 및 검증이 매우 용이하여 사용하면 매우 매력적입니다.
-
알고리즘은 병렬이며 높은 인구 집단에 효율적으로 사용될 수 있음을 정의합니다. 또한 알고리즘은 원래 좋지 않은 솔루션으로 시작하면 최상의 솔루션으로 신속하게 진행할 수 있다는 점에서도 효과적입니다.
-
돌연변이를 사용하면 매우 비선형적인 문제 규칙에서도 전역 최적을 인식하는 데 적합한 방법이 생성됩니다. 이 방법은 정보 배포에 대한 지식이 필요하지 않습니다.
유전 알고리즘의 단점
-
유전 알고리즘은 데이터 세트를 유전 알고리즘이 작동할 개별 값을 갖는 속성으로 매핑해야 했습니다. 이것은 일반적으로 가능하지만 연속 변수를 다룰 때 많은 세부 데이터를 잃을 수 있습니다.
-
정보를 범주 형식으로 코딩하는 데 사용되며 무의식적으로 레코드의 편향을 유발할 수 있습니다.
-
유전 알고리즘으로 고려할 수 있는 데이터 세트의 크기도 확인한다.
-
매우 큰 데이터 세트의 경우 샘플링이 중요하므로 동일한 데이터 세트에 대해 여러 번 실행하여 여러 결과를 얻을 수 있습니다.