بهبود الگوریتم آدابوست ناهمگن با استفاده از الگوریتم بهینه سازی کلونی مورچگان

سال انتشار: 1396
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 362

فایل این مقاله در 11 صفحه با فرمت PDF و WORD قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CITCOMP02_462

تاریخ نمایه سازی: 7 اسفند 1396

چکیده مقاله:

کاربردهای مختلف یادگیری ماشین در علوم و حوزه های مختلف، آن را به یکی از پرطرفدارترین شاخه های هوش مصنوعی تبدیل کرده است. به جرات می توان گفت دسته بندی داده هایی که توسط الگوریتم های بینایی ماشین آموزش دیده و به یک مدل تبدیل شده اند در بیشتر نرم افزارهای کنونی استفاده می گردد. بدیهی است وجود روش های متفاوت در مدل سازی نمونه ها، منجر به تولید درصدی متفاوت از تشخیص بر روی داده های یک دیتاست مشترک خواهد شد که هرقدر این درصد بیشتر باشد، روش پیشنهادی نیز اعتبار بیشتری خواهد داشت. ممکن است خروجی الگوریتم های دسته بندی به گونه ای باشد که تداخل زیادی در تشخیص آن ها مشاهده گردد. علت این تداخل می تواند داده های نویز و یا نمونه هایی باشد که کمتر در فاز آموزش داده ها پدیدار گردیده اند. جهت تقویت خروجی این روش ها از فرا الگوریتم هایی استفاده می گردد که با تعیین میزان خطا در فرضیه های از پیش تعیین شده؛ طی دورهای متمادی نسبت به تقویت نمونه های درست کلاسه بندی نشده اقدام می کنند. یکی از این روش ها آدابوست است که مشکل اساسی آن عدم حساسیت به نویز و بیش برازش است. بر اساس روش پیشنهادی با بهره گیری از الگوریتم فرا ابتکاری کلونی مورچگان، این حساسیت به نویز را کاهش داده و مشکل بیش برازش در داده های کم تکرار دیتاست را به گونه ای برطرف نماییم که احتمال عدم کلاسه بندی صحیح داده های پرت به طور قابل توجهی کاهش یابد.

کلیدواژه ها:

تقویت داده ها در کلاسه بندی – روش های مبتنی بر بوستینگ – بیش برازش- الگوریتم فرا ابتکاری کلونی مورچگان

نویسندگان

زهرا رحیمی فر

دانشجوی کارشناسی ارشد رشته کامپیوتر گروه کامپیوتر ، دانشکده فنی و مهندسی ، واحد مرودشت ، دانشگاه آزاد اسلامی ، مرودشت ، ایران

نادر آریابرزن

استادیار گروه فنی و مهندسی ، دانشگاه آزاد اسلامی، مرودشت ، ایران