مقایسه و ارزیابی عملکرد چهار نمونه از الگوریتم های دسته بندی کننده از نظر صحت و توانایی تشخیص

به عنوان یکی از شاخه های وسیع و پرکاربرد هوش مصنوعی، یادگیری ماشین (Machine learning) به تنظیم و اکتشاف شیوه ها و الگوریتم هایی می پردازد که بر اساس آنها رایانه ها و سامانه ها توانایی یادگیری پیدا می کنند. هدف یادگیری ماشین این است که کامپیوتر (در کلی ترین مفهوم آن) بتواند به تدریج و با افزایش داده ها کارایی بهتری در انجام وظیفه مورد نظر پیدا کند. طیف پژوهش های صورت گرفته در یادگیری ماشین گسترده است. در یک سو پژوهش گران بر آن هستند که روش های یادگیری تازه ای به وجود بیاورند و امکان پذیری و کیفیت یادگیری را مطالعه کنند و در سوی دیگر عده ای از پژوهش گران سعی می کنند روش های یادگیری ماشینی را بر مسایل تازه ای اعمال کنند. البته این طیف گسسته نیست و پژوهش های انجام شده دارای مولفه هایی از هر دو رویکرد هستند. در این مقاله سعی شده تا با اجرای چهار الگوریتم یادگیری ماشین مختلف بر روی دو مجموعه داده متفاوت در حوزه های گوناگون، عملکرد این الگوریتم ها به گونه ای روشن مورد تجزیه و تحلیل قرار گیرد. در این راستا از روش 10-fold cross validation استفاده می نماییم.

کلیدواژه ها:

یادگیری ماشین ، طبقه بندی ، دسته بندی نزدیکترین همسایگی ، دسته بندی نزدیک ترین همسایگی وزن دار ، شبکه عصبی پایه شعاعی ، ماشین بردار پشتیبان