روشی نوین برای ایجاد مجمع رده بندها با اعمال نویز روی مجموعه داده های آموزشی

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,217

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITICS01_126

تاریخ نمایه سازی: 12 فروردین 1391

چکیده مقاله:

این مقاله روشی را برای ایجاد مجمع رده بندهای شبکه عصبی چندلایه ارایه می کند از آنجایی که هم دقت تک تک دسته بندهای پایه و هم تنوع میان آنها نقش مهمی درایجاد یک مجمع دقیق دارند بنابراین شبکه عصبی چندلایه که معمولا دقت رده بندی بالایی دارد به عنوان رده بند پایه انتخاب شد برای ایجاد تنوع از اعمال نویز برروی مجموعه داده آموزشی استفاده شده است درنهایت از روش رای اکثریت برای تجمع رای رده بندهای پایه استفاده میشود روش ارایه شده با روش های ایجاد مجمع آدابوست، بگینگ و جنگل چرخش روی 17 مجموعه داده مقایسه شده است که نشان میدهداز لحاظ آزمون آماری از دو روش اول بهتر بوده و با روش سوم نیز برابری می کند.

نویسندگان

جلیل قویدل

دانشگاه علم و صنعت ایران دانشجوی کارشناسی ارشد گروه علمی مهندسی کامپ

مرتضی آنالویی

دانشگاه علم و صنعت عضو هیئت علمی

پیمان کبیری

دانشگاه علم و صنعت ایران عضو هیئت علمی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • دانشگاه پیام نور استان تهران- مجتمع فنی و مهندسی (آذرماه ...
  • Brown G., Wyatt J., Harris R., Yao X., Diversity creation ...
  • Zenobi, G., and Cunningham, P. Using diversity in preparing ensembles ...
  • minimize generalization error. In Proceedings of the European Conference on ...
  • Margineantu D. and Dietterich T., Pruning adaptive boosting. In Proc. ...
  • Cunningham P., and Carmey J., Diversity Versus Quality in Classification ...
  • majority. Information and Computation, 121(2) , pp. 256- 285, 1995. ...
  • Freund Y. and Schapire R. E., Experiments with a new ...
  • Schapire, R. E., Theoretical views of boosting and applications. In ...
  • Dietterich, T., Ensemble methods in machine learming. In Kittler, I., ...
  • Breiman, L., Random forests. Machine Learning, 45, 532, 2001. ...
  • Skurichina M. and Duin R.P.W., Bagging, boosting and the random ...
  • Ho T. K., The Random Subspace Method for Constructing Decision ...
  • Rodriguez J. J., Rotation Fores. A New Classifier Ensemble Method. ...
  • J. Han and M Kamber, Data Mining: Concepts and Techniques. ...
  • Y. Freund and R.E. Schapire, _ Dec ision-Theoretc ...
  • Blake C.L, Merz C.J., UCI Repository of Machine Learning 1998, ...
  • D.D. Margineantu, T.G. Dietterich, Pruning Adaptive _ 14th Int'1 Comf ...
  • Hollander, M., and D. A. Wolfe. Nonparametric Statistical Methods. Hoboken, ...
  • نمایش کامل مراجع