بهینه سازی پارامترهای دسته بندی کنندهSVM به وسیله الگوریتم ازدحام ذرات شتاب یافته آشوبی و دسته بندی بر روی دادگان ژنتیکی

ماشین بردار پشتیبانSupport Vector Machineدر سیستم های یادگیری بسیار محبوب و قدرتمند هستند . هدف این الگوریتم تشخیص و تمایز کردن الگو های پیچیده در داده ها است و به عنوان یکی از ابزار های قدرتمند و شناخته شده در طبقه بندی داده ها مورد استفاده قرار می گیرد. به طور کلیSVMکاربردهای زیادی در بحث شناسایی الگو و برازش غیر خطی دارد. توابع هسته نقش مهمی در توانایی کلاس بندیSVM بازی می کنند. تنظیم مناسب پارامتر های هسته می تواند در دقت کلاس بندی نقش خیلی مهمی داشته باشد.در عین حال انتخاب مناسب ویژگی های ورودی یکی از مسائل مهم در یک فرآیند دسته بندی است. در این مقاله ابتدا انتخاب ویژگی های مناسب و کاراآمد از نظر قدرت دسته بندی نسبت به سایر ویژگی های دیگر، که از رتبه بالاتری برخوردار هستند بر اساس متد رتبه بندی نرخ فیشر انجام می گردد. پس از آن توازن میان اعضای کلاس های متفاوت براساس حذف نمونه ایی از کلاس اکثریت که از مرز تصمیم گیری دور هستند صورت خواهد گرفت. بهینه سازی پارامتر های دسته بندی کنندهSVMکه شامل ضریب جریمه C,پارمترY کرنل گوسی است به وسیله الگوریتم بهینه سازی ازدحام ذرات شتاب یافته آشوبی صورت می گیرد. نتایج شبیه سازی بر روی مجموعه دادگان ژنتیکی انجام شده است . با افزایش تعداد ویژگی های منتخب شده دقت دسته بندی روش پیشنهادی بر روی مجموعه دادگان ژنتیکی بیش از 90 درصد می باشد

کلیدواژه ها:

ماشین بردار پشتیبان ، انتخاب ویژگی ، متد رتبه بندی نرخ فیشر ، الگوریتم بهینه سازی ازدحام ذرات شتاب یافته آشوبی