بهبود الگوریتم آدابوست ناهمگن با استفاده از الگوریتم بهینه سازی کلونی مورچگان
- سال انتشار: 1396
- محل انتشار: دومین کنفرانس بین المللی پژوهش های دانش بنیان در مهندسی کامپیوتر و فناوری اطلاعات
- کد COI اختصاصی: CITCOMP02_462
- زبان مقاله: فارسی
- تعداد مشاهده: 495
نویسندگان
دانشجوی کارشناسی ارشد رشته کامپیوتر گروه کامپیوتر ، دانشکده فنی و مهندسی ، واحد مرودشت ، دانشگاه آزاد اسلامی ، مرودشت ، ایران
استادیار گروه فنی و مهندسی ، دانشگاه آزاد اسلامی، مرودشت ، ایران
چکیده
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 مورچگانمقالات مرتبط جدید
- مرور سیستماتیک کاربرد هوش مصنوعی در موسیقی
- In-silico Analyses for Finding Potential Key Genes and Pathways Associated with Guillain-Barré Syndrome Using Computational Tools
- OCD Severity Based on EEG Signals
- Investigating the (non) -Impact of Customizing Knowledge Bases of Artificial Intelligence -Driven Robot on Language for Specific Purposes Learning
- The Need for Telehealth and Tele-Educationon in Optimizing Measles Surveillance and Reducing Healthcare Costs
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.