استفاده از الگوریتم SPSO پیوسته و PSO باینری برای بهینه کردن پارامترهای SVM و نیز کاهش بعد داده برای مسایل دسته بندی

یکی از روش هایی که برای دسته بندی داده ها استفاده می شود و محبوبیت زیادی بین کاربران پیدا کرده است ماشین بردار پشتیبان است، که دقت بسیار خوبی در مسایل دسته بندی از خود نشان داده است، ولی دقت این الگوریتم وابستگی بسیار زیادی به انتخاب بهینه پارامتر حاشیه نرم و نیز مقدار انتخابی برای پارامتر تابع هسته گوس دارد. تاکنون از روش های زیادی برای تخمین این پارامترها استفاده شده است، که از جمله می توان الگوریتم بهینه سازی ذرات (PSO) را نام برد که دارای دو نسخه پیوسته و دودیی می باشد. ولی این روش به علت سرعت همگرایی بالا در مسایل بزرگ دارد ممکن است در بهینه محلی گیر بیافتد، اما می توان این مشکل را با نسخه بهبود یافته از الگوریتم بهینه سازی ذرات با نام بهینه سازی ذرات تصادفی (SPSO) برطرف نمود. در این تحقیق از SPSO پیوسته برای بدست آوردن پارامترهای ماشین بردار پشتیبان (SVM) و از نسخه دودویی PSO به منظور انتخاب ویژگی استفاده شده است. ترکیب دو الگوریتم فوق با ماشین بردار پشتیبان باعث می شود که بتوان بصورت همزمان هم مسیله انتخاب بهترین ویژگی ها را حل کرد و هم دقت تخمین ماشین بردار پشتیبان را بالا برد. این روش بروی هشت پایگاه داده اجرا شد و نتایج نشان می دهد که روش ترکیبی معرفی شده در بعضی از پایگاه داده ها دقت بهتری نسبت به روش ترکیبی بهینه سازی ذرات استاندارد دارد.

کلیدواژه ها:

دسته بندی ، ماشین بردار پشتیبان ، الگوریتم بهیه سازی ذرات ، فرآیند های تصادفی ، شبکه های عصبی