دسته بندی مسائل باینری با استفاده از ماشین بردار پشتیبان و الگوریتم کلونی زنبورهای مصنوعی ترکیبی

یکی از روش های مهم پیش -پردازش داده ها در مسائل دسته بندی انتخاب ویژگی است. تاکنون الگوریتم های تکاملی بسیاری برای کاهش تعداد ویژگی های داده ها به کار برده شده است. در این مقاله روشی مبتنی بر ماشین بردار پشتیبان و الگوریتم کلونی زنبورهای مصنوعی ترکیبی به نام MABC-SVM با هدف بهبود دقت دسته بندی با استفاده زیرمجموعه ای موثر از ویژگی ها ارائه شده است. به منظور بهینه سازی هم زمان پارامترهای ماشین بردار پشتیبان و انتخاب زیرمجموعه ای موثر از ویژگی های ورودی، الگوریتمی ترکیبی به نام Mixed-ABC پیشنهاد شده است که الگوریتم ABC باینری را با الگوریتم ABC پیوسته ترکیب می کند. نتایج ارزیابی بر روی تعدادی از مجموعه داده ها در UCI نشان می دهند که روش پیشنهادی در بیشتر موارد در مقایسه با روش های دسته بندی مشابه دقت بهتر دارد.

کلیدواژه ها:

الگوریتم کلونی زنبورهای مصنوعی ، ماشین بردار پشتیبان ، دسته بندی ، انتخاب ویژگی