ارائه یک طبقه بند جدید در داده کاوی به منظور افزایش دقت و سرعت

در این مقاله الگوریتم های طبقه بندی را بر روی داده های متفاوت از لحاظ سرعت و دقت بررسی می کنیم . برای افزایش دقت مدلهای پیشبینی، روش امیدبخشی تحت عنوان آموزش گروهی معرفی شده است. این روش براساس ترکیب نتایج حاصل از مدلهای مختلف پیشبینی شکل گرفته است. در مقاله دو مدل پیشنهادی ارائه شده است که در یک مدل از آموزش مدل با استفاده از مجموعه دادههایی که شامل زیر مجموعه ویژگیها میباشند استفاده شده است با دو مدل داده ای الگوریتم ژنتیک و جنگل و در مدل پیشنهادی دوم از ترکیب آموزش شبکه عصبی با الگوریتمهای فراابتکاری و مدل پیشنهادی اول برای تولید مجموعه دادههای آموزشی استفاده نمودهایم. در واقع در این مدل دو فرآینده مجزا قرار دارند. یک فرآیند برای تولید مجموعههای آموزشی متفاوت و فرآیند دیگر وظیفه آموزش شبکه عصبی با استفاده از الگوریتمهای فراابتکاری را برعهده دارد. در مدل ها از الگوریتم ژنتیک و الگوریتمجنگل بعنوان دو الگوریتم فراابتکاری معروف در جهت تولید مجموعههای آموزشی استفاده کردهایم. پارامترهای تاثیر گذار بر روی طبقه بندی داده ها در هر دو مدل و معیارهای ارزیابی مدل ها حساسیت TPR شفافیت TNR صحت و دقت می باشد ؛ در آزمایشات و تستهای انجام شده به علت حجم زیاد داده ها به سه معیار مهم دقت ،صحت و حسایت پرداخته شده است . در الگوریتم ژنتیک پارامترهای مختلفی داریم که سه پارامتر پس از تست به صورت برش در محدوده 0.7-1 جهش مقدار ناچیز کمتر از 0110 در نظر گرفته شده است . پارامترهای تاثیر گذار در الگویتم جنگل نرخ بذرافشانی محلی 2-4 و بذرافشانی سراسری در محدوده 1-2 تعیین شده است . برای هر ترکیب میانگین 40 بار اجرا را انجام شده است . داده های مورد بررسی از مرجع دادهای یادگیری ماشین KDD و UCI انتخاب شده اند.

کلیدواژه ها:

داده کاوی ، طبقه بندی ، دقت ، شبکه های عصبی ، الگوریتم ژنتیک ، الگوریتم جنگل