افزایش دقت طبقه بندی داده نامتوازن با استفاده از ترکیب الگوریتم آموزش دیده شعاع ثابت گرانشی نزدیک ترین همسایه با الگوریتم گرگ خاکستری بهبود یافته

یکی از مسائل مهم درزمینه داده کاوی ، طبقه بندی داده های نامتوازن است و هدف، طبقه بندی نمونه های کلاس اقلیت با دقت بالا است . الگوریتم شعاع ثابت گرانشی نزدیک ترین همسایه ، یکی از الگوریتم هایی است که برای طبقه بندی داده های نامتوازن ارائه شده است . این الگوریتم یک مجموعه انتخابی از داده های آموزش برای هر نمونه آزمون بر اساس همسایگی ، با شعاع ثابت انتخاب می کند. سپس ، مجموع نیروی گرانشی از نمونه های مجموعه انتخابی اعمال شده بر روی نمونه آزمون را محاسبه می کند و در مورد برچسب داده آزمون، بر اساس برآیند نیروهای گرانشی مبتنی بر پارامتر جرم تصمیم می گیرد. پارامتر جرم در این الگوریتم به صورت ثابت محاسبه می گردد، در صورتی که نمونه متعلق به کلاس اقلیت باشد براساس نرخ عدم توازن در داده های آموزش و در غیر این صورت، مقدار یک برای آن در نظر گرفته می شود. بنابراین ، جرمهای ثابت در محاسبه نیروی گرانشی استفاده می شود. در صورتی که جرمهای نسبت داده شده می تواند به صورت بهینه انتخاب شوند تا خطای طبقه بند حداقل گردد. در این پژوهش ، با استفاده از الگوریتم بهبود یافته ای از گرگ خاکستری ، جرمهای طبقه بند براساس موقعیت گرگها محاسبه می گردد. با بهبود فابلیت اکتشاف در الگوریتم بهبود یافته گرگ خاکستری ، جرمهای مناسبی برای طبقه بند شعاع ثابت گرانشی نزدیک ترین همسایه محاسبه می گردد. کارایی الگوریتم پیشنهادی با چند الگوریتم فراابتکاری پایه و جدید برروی مجموعه دادگان KEEL مقایسه گردیده است . نتایج ارزیابی ، حاکی از بهبود قابل توجه دقت و سایر معیارهای ارزیابی در روش پیشنهادی نسبت به سایر الگوریتم های مورد مقایسه است .

کلیدواژه ها:

طبقه بندی داده های نامتوازن ، طبقه بند شعاع ثابت گرانشی نزدیک ترین همسایه ، الگوریتم های فرابتکاری ، الگوریتم بهینه سازی گرگ خاکستری ، اکتشاف ، جرم