ارزیابی روشهای استقرای سازنده

الگوریتمهای یادگیری ماشین که در حوزه کلاسبندی نمونهها ارائه شدهاند با توجه به مجموعه خصوصیات نمونهها, آنها را در کلاس مربوطه دستهبندی میکنند. به همین دلیل این الگوریتمها وابستگی شدیدی به زبان نمایش نمونهها یا همان مجموعه خصوصیات دارند که در صورت ضعیف بودن این زبان نتایج کلاسبندی از دقت بسیار پایینی برخوردار خواهد بود. برای حل این مشکل روشهای استقرای سازنده در جهت بهبود فضای نمایش نمونهها و در نهایت افزایش دقت یادگیری معرفی شدهاند. این مقاله به بررسی انواع مختلفی از این روشها اختصاص دارد که هدف اصلی آن شناسایی کاستیها و مشکلات موجود در روشهای استقرای سازنده است. برای اینکه بتوانیم ارزیابی درستی از این روشها داشته باشیم چندین معیار مهم و کلی بیان شده است. نتیجه حاصله از بررسی بیانگر این موضوع است که در صورت عمومیت بخشی به روشهای موجود میتوان به روشهای جامعتر و دقیقتری دست یافت.

کلیدواژه ها:

یادگیری ماشین ، کلاسبندی ، استقرای سازنده