مروری بر روش های بهبود کارایی تکنیک جنگل تصادفی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 4,514

فایل این مقاله در 6 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:

ITCSC01_069

تاریخ نمایه سازی: 8 آبان 1395

چکیده مقاله:

روش جنگل تصادفی یکی از روشهای فراگیر یادگیری ماشین می باشد که کاربرد پیشگویانه رقابتی در زمینه های مختلف ازجمله علوم بیولوژی، مالی، مهندسی شیمی و غیره دارد. درواقع جنگل تصادفی یک روش یادگیری ماشین تحت نظارت محسوب می شود که کاربرد اصلی آن در داده کاوی می باشد. برای بهبود بخشیدن کارایی روش جنگل تصادفی می توان بر روی محور دقت و سرعت آن کارکرد. در زمینه بهبود دقت، با استفاده از ارزیابی ویژگیهای مختلف و ترکیب کردن توابع آن کار را جلو می برند. بهبود در سرعت یادگیری از طریق کاهش در درختان تصمیم اصلی و در نتیجه افزایش سرعت طبقه بندی پیشنهاد می شود. همچنین روش جنگل تصادفی دارای خواص موازی سازی است و می تواند به راحتی در جهت گسترش پذیری و بهبود کارایی موازی سازی شود. در این مقاله مروری خواهیم داشت بر جدیدترین متدهای بهبود دقت و سرعت در الگوریتم جنگل تصادفی و همچنین نتایج به دست آمده از آنها را با یکدیگر به طور خلاصه مقایسه خواهیم کرد

کلیدواژه ها:

طبقه بندی- درخت تصمیم گیری – داده کاوی – جنگل تصادفی – موازی سازی

نویسندگان

محمد سعادت

دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی دانشگاه آزاد اسلامی خوراسگان (اصفهان) اصفهان ایران

فرساد زمانی بروجنی

استادیار، دانشکده فنی و مهندسی دانشگاه آزاد اسلامی خوراسگان (اصفهان) اصفهان 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 :
  • Kulkarni, V.Y. and P.K. Sinha, Effective learning and classification using ...
  • Kotsiantis, S.B., Decision trees: recent overview. Artificial Intelligence Review, 2013. ...
  • Xu, R., Improvements to random forest methodology. 2013. ...
  • Frankel, D.S., Model Driven Architecture Applying Mda. 2003: Johr Wiley ...
  • Kulkarni, v.Y. and P.K. Sinha, Random forest classifiers: a survey ...
  • Sannella, M.J., Constraint satisfaction and debugging for interactive user interfaces. ...
  • Zhang, H. and M. Wang, Search for the smallest random ...
  • Decaestecker, Limiting the number of trees in random forests, in ...
  • Evaluation using biomedical engineering problems. in Information Technology and Applications ...
  • Wu, X. and Z. Che. Toward dynamic ensembles: the BAGA ...
  • Gaber, M.M., A. Zaslavsky, and S. Krishnaswamy, Mining data streams ...
  • International Conference on. 2009. IEEE. Oza, N.C. and S. Russell. ...
  • Geurts, P., D. Ernst, and L. Wehenkel, Ertremely randomized trees. ...
  • Processing (ICIP), 2009 16th IEEE International Conference on. 2009. IEEE. ...
  • Bonissone, P., et al., Afuzzy randomforest. International Journal of Approximate ...
  • Leistner, C., et al. Sem i-supervised random forests. in Computer ...
  • نمایش کامل مراجع