ارائه یک روش ترکیبی نوین برای بهینه سازی هایپرپارامترهای شبکه عصبی کانولوشن (CNN) با استفاده از الگوریتم بهینه سازی بوفالوی آفریقایی (ABO)

هدف این تحقیق ارائه یک روش ترکیبی نوین برای بهبود دقت طبقه بندی داده ها با استفاده از شبکه عصبی کانولوشن (CNN) و الگوریتم بهینه سازی بوفالوی آفریقایی (ABO) است. چالش اصلی این پژوهش، حل مسئله تنظیم دستی هایپرپارامترهای CNN و افزایش دقت نهایی طبقه بندی است. در روش پیشنهادی الگوریتم بهینه سازی بوفالوی آفریقایی برای تنظیم خودکار و بهینه هایپرپارامترهای شبکه عصبی کانولوشن به کار گرفته می شود تا مدل نهایی با بالاترین دقت ممکن به طبقه بندی بپردازد. برای ارزیابی عملکرد این روش، بر روی مجموعه داده های استاندارد معتبر UCI شامل داده هایی از حوزه های پزشکی، مالی و صنعتی پیاده سازی و ارزیابی شد. پس از مراحل پیش پردازش مدل CNN با هایپرپارامترهای بهینه شده توسط ABO آموزش داده شد. نتایج تجربی بر اساس معیارهای عملکردی کلیدی نظیر دقت (Accuracy)، دقت طبقه بندی (Precision)، بازیابی (Recall) و F-Score نشان می دهند که روش ترکیبی پیشنهادی، عملکرد بهتری نسبت به شبکه عصبی کانولوشن بدون تنظیم هایپرپارامتر دارد و دقت طبقه بندی را به طور قابل توجهی افزایش می دهد. این راهکار همچنین منجر به کاهش زمان و هزینه های مرتبط با تنظیم دستی هایپرپارامترها شده و می تواند به عنوان یک روش موثر در کاربردهای واقعی یادگیری ماشین به کار رود.

کلیدواژه ها:

داده کاوی ، یادگیری عمیق ، شبکه عصبی کانولوشن ، الگوریتم بوفالوی آفریقایی ، تنظیم هایپرپارامترها