ارائه یک روش جدید انتخاب ورودی بر اساس دسته‌بندی نیمه نظارتی برای تخمین سری-های زمانی

در این تحقیق 12 رویکرد در ایجاد یک طبقه‌بندی کننده بهینه مبتنی بر ماشین‌ بردار پشتیبان (SVM) و شبکه های عصبی (MLP و RBF) بر مبنای الگوریتم ژنتیک (GA)، فاخته (Cuckoo) و ازدحام ذرات (PSO) ارائه گردید. در این راستا سعی شده سیستمی طراحی شود که منجر به کاهش هزینه در جمع آوری داده‌ها شود. به این منظور در تحقیق حاضر از سه مجموعه داده با قابلیت سری زمانی از دادهای استاندارد UCI، استفاده گردید. نتایج حاصل از رویکردهای استفاده شده در این تحقیق بیانگر عملکرد خوب تمامی الگوریتم‌های استفاده شده دارد. با این‌حال، توانایی و عملکرد هر کدام از رویکردها با توجه به نوع و ماهیت داده ها متفاوت می باشد. همین امر باعث شده است که گاها رویکرد شبکه عصبی MLP و الگوریتم GA یا Cuckoo نتایج بهتری داشته باشد و در برخی موارد نیز رویکرد ماشین بردار پشتیبان با الگوریتم PSO نتایج بهتری داشته است. با توجه به نتایج حاصل می‌توان گفت که استفاده از انتخاب ویژگی بر اساس دسته-بندی نیمه‌نظارتی باعث کاهش خطای سیستم، افزایش دقت و افزایش سرعت تخمین سری‌های زمانی می‌گردد. از این رو با استفاده از طبقه‌بندی کننده‌ی کارا و قدرتمند شبکه عصبی MLP و ماشین بردار پشتیبان در کنار الگوریتم بهینه سازی و فرا ابتکاری، می‌توان یک سیستم طبقه‌بندی ترکیبی بهینه برای تخمین سری‌های زمانی طراحی نمود.

کلیدواژه ها:

انتخاب ویژگی ، یادگیری ماشین ، الگوریتم فرا ابتکاری ، سری زمانی