بهبود دقت و سرعت همگرایی طبقه بندهای SVM با استفاده از الگوریتم های تکاملی

امروزه بحث دسته بندی در حل مسائل مختلف، نقش بسیار مهمی دارد. در این مقاله، هدف این است که عمل بهینه سازی پارامترهای دسته بندهای ماشین بردار پشتیبان که روش یادگیری باناظر است را با استفاده از الگوریتم های تکاملی وترکیب آنها با جستجوی محلی۱، در قالب یک جهش انجام دهیم. در بهینه سازی پارامترهای SVM، سرعت همگرایی و میانگین دقت آنها مورد توجه قرار گرفته است.الگوریتم های تکاملی مورد استفاده برای رسیدن به این هدف، عبارتند از بادبان ماهی، ژنتیک، اجتماع ذرات، زنبور عسل مصنوعی و کرم شب تاب. در مرحله پیش پردازش داده ها، از انتخاب ویژگی ها استفاده شده است.با توجه به نتایج بدست آمده از اجرای الگوریتم های ذکر شده، روی چندین پایگاه داده از مخزن UCI، از لحاظ میانگین دقت به ترتیب، الگوریتم ژنتیک، زنبور عسل مصنوعی، اجتماع ذرات،کرم شب تاب و از لحاظ سرعت همگرایی نیز به ترتیب، الگوریتم ژنتیک، کرم شب تاب، اجتماع ذرات، زنبور عسل مصنوعی، رتبه های اول تا چهارم را دارند. نتایج بهینه شده ترکیب SVM با الگوریتم بادبان ماهی نیز در بخش جداگانه ای آورده شده است. بطور کلی، الگوریتم ژنتیک از لحاظ میانگین دقت و سرعت همگرایی نسبت به سایر الگوریتم های استفاده شده در این تحقیق دارای برتری محسوسی است.

کلیدواژه ها:

الگوریتم های تکاملی ، انتخاب ویژگی ها ، بهینه سازی ، ماشین بردار پشتیبان