دسته بندی داده های دو رده ای با ابرمستطیل موازی محورهای مختصات

یکی از روشهای یادگیری در یادگیری ماشین و شناسایی الگو، یادگیری با ناظر است. در یادگیری با ناظر و در مسایل دو رده ای، برچسب دادههای آموزشی موجود و شامل دو رده مثبت و منفی میباشند. هدف الگوریتم یادگیری با ناظر، محاسبه فرضیه ای است که بتواند با کمترین مقدار خطا، داده های مثبت و منفی را از یکدیگر جدا کند. در این مقاله، از بین کلیه الگوریتمهای یادگیری با ناظر، بر عملکرد درخت های تصمیم متمرکز می شویم. دیدگاه هندسی درخت تصمیم ما را به مفهوم تفکیک پذیری در هندسه محاسباتی نزدیک می کند. از بین کلیه الگوریتم های تفکیک پذیری موجود و مرتبط با درخت تصمیم، مساله محاسبه مستطیل با حداکثر اختلاف دو رنگ را مطرح می کنیم و الگوریتم را در یک، دو، سه و m بعد پیادهسازی می کنیم که m تعداد ویژگیهای دادهها را نشان میدهد. نتیجه پیاده سازی نشان دهنده آن است که این الگوریتم، الگوریتمی قابل رقابت با الگوریتم شناخته شده C۴.۵ است.

کلیدواژه ها:

یادگیری ماشین ، دسته بندی ، درخت تصمیم ، هندسه محاسباتی ، تفکیک پذیری ، مستطیل