ارائه یک الگوریتم اثربخش و کارا برای انتخاب بهترین نمایندگان یک تجمیع همگن

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 453

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICTCK02_065

تاریخ نمایه سازی: 8 آبان 1395

چکیده مقاله:

تجمیع اولیه همگن متشکل از یک الگوریتم دسته بندی یکسان و مشابه است که روی مجموعه داده های آموزشیمختلفی آموزش دیده است. وجود مدلهای ساخته شده هم نوع و تکراری در تجمیع همگن، اغلب باعث می شود کهمدل ها نتوانند خطای پیش بینی یکدیگر را بپوشانند و در نتیجه اغلب به صورت هماهنگ به غلط پیش بینی کرده وقدرت پیش بینی کل تجمیع را نیز کاهش می دهند. در این مقاله، یک الگوریتم جدید برای انتخاب بهترین زیرمجموعهاز تجمیع اولیه همگن معرفی میشود. الگوریتم پیشنهادی به طور کامل مبتنی بر الگوریتم ملهم از طبیعت و قدرتمندکرم شبتاب است که به صورت کارآمدی به دنبال بهترین مدلها در تجمیع اولیه می گردد. کارایی الگوریتم پیشنهادیبا دو الگوریتم مشابه، روی ده مجموعه داده، مورد مقایسه و ارزیابی قرار می گیرد. نتایج نشان می دهد که الگوریتمپیشنهادی، به طور میانگین 2/985 درصد بهبود دقت در مقایسه با دو الگوریتم دیگر داشته است. از مهمترین دلایل این موفقیت، نگرشی جدید به موضوع و فرموله کردن صحیح مسئله است و به علاوه ماهیت خود الگوریتم کرم شب تاباست که با توازن قابل قبول تنوع مدلها در تجمیع، تعداد مدلهای دقیق تر و در نتیجه توانایی تصحیح خطا را افزایشداده و دقت پیش بینی کل تجمیع را بالاتر می برد.

کلیدواژه ها:

نویسندگان

علیرضا فرداد

کارشناس ارشد، گروه مهندسیکامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی،مشهد، ایران

مسعود نیازی ترشیز

استادیار، گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

سیدرضا کامل طباخ فریضنی

استادیار، گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Dietterich. T. G, 2002, Ensemble Methods in the ...
  • Classifier Systems, pp. 1-15. ...
  • Kuncheva, L. I, 2004, Combining Pattern Classifiers, Methods and Algorithms ...
  • Tan. P. N, Steinbach. M, and Kumar.V, 2006, Introduction to ...
  • Prodromidis. A, and Chan. P, 2000, Meta- learning in Distributed ...
  • Margineantu, D., andDietterich, T, 1997, Pruning adaptive boosting, Proceedings of ...
  • M artinez-Munor _ G., and Suarez, A, 2004, Bagging, Artificial ...
  • Lin. C, Chen. W, Qiu. C, Wu. Y, Krishnan. Ensemble ...
  • Classifiers with a Clustering and Dynamic Selection Strate gy, Neuro ...
  • Zhang. H, and Cao.L, 2014, A spectral Clustering Based Ensemble ...
  • Zhou, Z.H., and Tang, W, 2003, Selective Ensemble of Decision ...
  • Partalas, I., Tsoumakas, G., and Vlahavas, I, 2010, An ensembe ...
  • Ekbal. A, and Saha. S, 2013, Simulated Ensemble ...
  • Techniques: Application to Part of Speech Tagging, Information Fusion, vol. ...
  • Ekbal. A and Saha.S, 2011, A multiobjective Simulated Annealing Approach ...
  • languages as case studies, Expert Systems, vol 38, pp. 14760-14772 ...
  • Ekbal. A, and Saha. S, 2011, Weighted Vote- Based Classifier ...
  • Saha. S, and Ekbal. A, 2013, Combining _ Based ...
  • Classifier Ens emb leTechnique for Named Entity Recognition, Data & ...
  • Tamon, C., and Xiang, J. 2000, On the boosting 11th ...
  • Caruana, R., Nicul escu-Mizil, _ Crew, G., and Ksikes, A, ...
  • Yang. Y. S, 2010, Firefly Algorithm, Design of ...
  • bio.Inspired computation, vol. 2, pp. 78-84. ...
  • Fister. I, Fister Jr.I, Yang.X, and Brest. J. 2013, A ...
  • Swarm and Evolutionary Elsevier, vol. 13, pp. 34-46. ...
  • The UCI Machine Learning Repository, URL: ;http:// archive .ics .uci ...
  • نمایش کامل مراجع