یک روش طبقه بندی جدید تفسیرپذیر با استفاده از TabNet و الگوریتم بهینه سازی Harris Hawks

در این پژوهش یک روش ترکیبی جدید برای طبقه بندی داده های جدولی ارائه شده است که بر پایه ی کلمات کلیدی ترکیب شبکه ی عمیق TabNet و الگوریتم فراابتکاری شاهین های هریس (HHO) بنا شده است. هدف این روش دستیابی هم زمان به دقت بالا، قابلیت تعمیم و تفسیرپذیری مدل در مسائل طبقه بندی است. در بهینه سازی طبقه بندی یادگیری ماشین HHO، TabNet چارچوب پیشنهادی TabNet به عنوان طبقه بنده اصلی عمل می کند و با بهره گیری از مکانیزم توجه ترتیبی امکان شناسایی ویژگی های موثر را فراهم می سازد. در همین حال نسخه ی اصلاح شده ای از الگوریتم شاهین های هریس برای بهینه سازی هم زمان انتخاب ویژگی ها و تنظیم پارامترهای معماری شبکه به کار رفته است. هر راه حل در جمعیت الگوریتم ترکیبی از نگاشت دودویی ویژگی ها و بردار پارامترهای شبکه است و بر اساس عملکرد واقعی مدل آموزش یافته ارزیابی می شود. افزون بر این یک تابع تبدیل تطبیقی برای نگاشت خروجی های پیوسته به فضای دودویی طراحی شده تا تعادل میان جست وجوی سراسری و محلی حفظ گردد. نتیجه ی هم افزایی میان سازوکارهای کاوش و بهره برداری الگوریتم HHO و ساختار قابل تفسیر TabNet، مدلی فراهم کرده است که علاوه بر دقت بالا دید روشنی از اهمیت نسبی ویژگی ها ارائه می دهد. نتایج آزمایشات روی مجموعه داده های مرجع نشان می دهد که روش پیشنهادی از نظر دقت، پایداری و شفافیت عملکرد برتر از مدل های کلاسیک و فراابتکاری موجود است و می تواند به عنوان الگویی موثر برای تحلیل داده های پیچیده ی جدولی در حوزه های مختلف مورد استفاده قرار گیرد.

کلیدواژه ها:

TabNet ، الگوریتم بهینه سازی ، شاهین های هریس ، یادگیری ماشین ، طبقه بندی داده های جدولی ، تفسیرپذیری ، عباس برزگری نژاد ، علی اصغری