مدل ترکیبی ACO-KNN مبتنی بر GAN برای بهبود دقت و کاهش زمان اجرا در داده های بزرگ

امروزه رشد سریع داده های بزرگ در حوزه های مختلف، چالش های متعددی را در زمینه طبقه بندی داده ها، کاهش زمان پردازش و افزایش دقت مدل های یادگیری ماشین ایجاد کرده است. الگوریتم KNN به دلیل سادگی و دقت مناسب، یکی از روش های پرکاربرد در مسائل طبقه بندی محسوب می شود، اما عملکرد آن در داده های حجیم به علت افزایش زمان اجرا و حساسیت به ویژگی های غیرضروری با محدودیت مواجه است. از سوی دیگر، الگوریتم کلونی مورچگان (ACO) به عنوان یک روش بهینه سازی هوشمند قادر است ویژگی های موثر را انتخاب کرده و فضای جستجو را بهینه سازی نماید. همچنین شبکه های مولد تخاصمی (GAN) توانایی استخراج و یادگیری ویژگی های پنهان و پیچیده داده ها را دارند و می توانند کیفیت داده های ورودی را بهبود دهند. در این مقاله، یک مدل ترکیبی مبتنی بر GAN-ACO-KNN جهت بهبود دقت طبقه بندی و کاهش زمان اجرا در داده های بزرگ ارائه شده است. در مدل پیشنهادی، ابتدا شبکه GAN برای استخراج و یادگیری ویژگی های موثر داده ها مورد استفاده قرار می گیرد. سپس الگوریتم ACO با انتخاب بهینه ویژگی ها، ابعاد داده را کاهش داده و ویژگی های غیرضروری را حذف می کند. در نهایت، داده های بهینه شده به الگوریتم KNN وارد می شوند تا فرآیند طبقه بندی با دقت بالاتر و زمان اجرای کمتر انجام گیرد. نتایج آزمایش ها بر روی دیتاست های KDD، UNSW-NB۱۵، HIGGS، COVTYPE و SUSY نشان داد که مدل پیشنهادی نسبت به روش های سنتی عملکرد بهتری در معیارهای Accuracy، Precision، Recall و F۱-Score ارائه می دهد.

کلیدواژه ها:

داده های بزرگ ، KNN ، الگوریتم کلونی مورچگان ، GAN ، طبقه بندی داده ، انتخاب ویژگی ، یادگیری ماشین