ارائه یک مدل طبقه بندی چند بر چسبی با قابلیت تعمیم بالا

امروزه با افزایش حجم داده ها، امکان جمع آوری و طبقه بندی سریع داده ها توسط انسان غیرممکن شده است و نیاز به طبقه بندی و تحلیلخودکار از جایگاه ویژهای برخوردار است. در طبقه بندی دادهها، ابتدا طی یک فرآیند نمونه های آموزشی به همراه برچسبهای آنها به یک الگوریتم یادگیری داده می شود تا ارتباط بین نمونه ها و برچسبها را یاد بگیرد و سپس برچسب داده های آزمایشی را پیش بینی کند. داده های چند برچسبی داده هایی هستند که در آن نمونه ها می توانند بیش از یک برچسب کلاس داشته باشند، به عبارت دیگر هر نمونه توسط یک مجموعه از برچسبها نمایش داده ها می شود. در این مقاله، روش ماشین بردار پشتیبان ساختاری را با ماشین بردار پشتیبان چند برچسبی برای ایجاد یک طبقه بند داده های چند برچسبی ترکیب می کنیم. این روش از دو مرحله تشکیل شده است؛ مرحله اول شامل خوشه بندی داده ها است که کمک می کند مرز تصمیم بهتر نسبت به ماشین بردار پشتیبان داشته باشیم و مرحله دوم فرآیند یادگیری است که همانند SVM است. با ارزیابی روش پیشنهادی بر روی مجموعه داده های موجود در مقایسه با روش های موجود، به این نتیجه میرسیم که از لحاظ دقت و صحت پیش بینی از کارایی بهتری برخوردار است.

کلیدواژه ها:

ماشین بردار پشتیبان ، طبقه بندی چند برچسبی ، خوشه بندی