تصحیح روش یادگیری آمیخته تقویت شده با استفاده از آزمون وونگ و کاربرد آن در مدل آمیخته گاما

روش یادگیری آمیخته تقویت شده ‎(BML)، روشی فزاینده برای یادگیری مدل های آمیخته در مسئله طبقه بندی است. در هر مرحله از روش یادگیری آمیخته تقویت شده، مولفه جدیدی با توجه به یک تابع هدف در جهت به حداکثر رساندن تابع هدف به مدل آمیخته اضافه می شود. از جمله توابع هدف مورد استفاده در این روش، تابع درستنمایی و به طور معادل معیارهای اطلاع هستند. در این روش مولفه جدیدی به مدل آمیخته اضافه می شود که باعث بیشترین افزایش تابع درستنمایی شود. چون تابع درستنمایی و معیارهای اطلاع توانایی تشخیص مدل های معادل را ندارد، بنابراین ممکن است مدل آمیخته جدید و مدل آمیخته فعلی معادل باشند و اضافه کردن مولفه جدید به مدل آمیخته فعلی باعث بهبود مدل نشود. در این مقاله روش یادگیری آمیخته تقویت شده با استفاده از آزمون انتخاب مدل وونگ که توانایی تشخیص مدل های معادل را دارد، تصحیح شده است. همچنین عملکرد دو روش یادگیری با استفاده از داده های شبیه سازی و مجموعه داده های واردات کالای ایالات متحده توسط گمرک ارزیابی شده است.

کلیدواژه ها:

Boosted algorithm ، ‎M‎odel selection ، ‎M‎aximum likelihood estimator ، Mixture ‎m‎odel‎‎ ، ‎M‎achine learning ، الگوریتم تقویت کننده ، انتخاب مدل ، برآوردگر ‎‎ درستنمایی ماکسیمم ، مدل آمیخته ، یادگیری ماشین