بهبود کارایی طبقه بندی ترکیبی با استفاده از شبکه های عصبی تابع پایه شعاعی

به دلیل حجم بسیار بالای دادهها در بسیاری از کاربردها و اهمیت بیشتر دادههای جدید، ذخیرهسازی این دادهها امری مقرون به صرفه نیست. لذا نیاز به روشهایی است که بتوان این دادهها را طبقهبندی کرد. اگرچه بعضی از طبقه بندها در برخی موارد نسبت به بقیه نتایج بهتری تولید میکنند ولی هیچیک از آنها بر سایرین برتری نداشته و نمیتواند تمام دادهها را بدون هیچ خطایی طبقهبندی کند. هر طبقه بند قوتها و ضعفهای خاص خود را دارد. ترکیب مناسب طبقه بندها، میتواند نتایج طبقهبندی بهتری نسبت به هر طبقه بند و حتی بهترین آنها تولید کند.در این پایاننامه در ابتدا عملیات طبقهبندی بر روی دو مجموعه داده معروف Iris, Glass با استفاده از الگوریتمهای طبقهبندی درخت تصمیم، الگوریتم نزدیکترین همسایه، الگوریتم نایوبیز انجام میدهیم سپس ترکیب نتایج هر سه الگوریتم را بهعنوان دادههای آموزشی شبکه عصبیتوابع پایه شعاعی قراردادیم و پساز اجرای این روش ترکیب نتایج شبیهسازی نشان داد که روشپیشنهادی دارای دقت بیشتر نسبت به طبقه- بندهای بکار رفته در ترکیب دارد و درنهایت نتایج بهینهتری نسبت به سایر طبقه بندها ارایه میکند.

کلیدواژه ها:

داده کاوی ، درخت تصمیم ، شبکه عصبی تابع پایه شعاعی ، طبقه بندی ، نایوبیز