بهبود دقت دسته بندی داده های چند برچسبی با استفاده از رابطه فازی کلاسیک در بهینه ساز کلونی مورچه ها برای انتخاب ویژگی

در این مقاله یک رویکرد جدید برای بهبود دقت طبقه بندی داده های چند برچسبی با استفاده از منطق فازی رابطه کلاسیکدر چارچوب (Ant Colony Optimizer (ACO الگوریتمی با نام FCR-ACO پیشنهاد شده است. تکثیر سناریوهای داده چند برچسبی در حوزه های مختلف نیاز به روش های موثر برای طبق بندی دقیق دارد. در این روش منطق رابطه کلاسیک فازیبا الگوریتم ACO ادغام شده است تا توانایی آن را برای مدیریت روابط پیچیده ذاتی در مجموعه داده های چند برچسبی افزایش دهد. علاوه بر این، از ترکیب تکنیک های انتخاب ویژگی و الگوریتم ACO برای شناسایی و استفاده از مرتبط ترین ویژگی ها بهرهگرفته شده است که در نتیجه باعث کاهش ابعاد و بهبود کارایی محاسباتی مدل شده است. از طریق آزمایش های گسترده بر رویمجموعه داده های معیار اثربخشی این رویکرد در دستیابی به دقت بهبود یافته در مقایسه با روش های سنتی نشان داده شده است.چارچوب پیشنهادی نه تنها عملکرد طبقه بندی برتر را ارائه داده است، بلکه بینش هایی در مورد تفسیرپذیری تصمیم های طبقه بندیارائه داده است، که به پیشرفت روش های طبقه بندی داده های چند برچسبی کمک می کند.

کلیدواژه ها:

یادگیری ماشین ، کلونی مورچه ها ، انتخاب ویژگی ، الگوریتم فازی ، داده های چند برچسبی