ترکیب طبقه بندی کننده ها براساس آنالیز عدم قطعیت با استفاده از معیار حداکثر انحراف نسبی

استفاده از ترکیب نتایج چند طبقه بندی کننده یکی از روش های مرسوم جهت افزایش کارایی سیستم های تشخیص الگو می باشد که در سال های اخیر مورد توجه محققین قرار گرفته است. برای اینکه ترکیب منجر به افزایش دقت طبقه بندی شود لازم است که طبقه بندی کننده های منفرد صحیح و متنوع باشند. همچنین قواعد ترکیب باید به گونه ای که نقاط ضعف طبقه بندی کننده ها را بپوشاند. در این مقاله یک روش جدید ترکیب پیشنهاد شده است که براساس آنالیز عدم قطعیت، نتایح طبقه بندی کننده های منفرد با هم تریکب می شوند. در این روش برای انجام آنالیز عدم قطعیت از معیار حداکثر انحراف نسبی استفاده شد. با اجرای طبقه بندی کننده های مفرد بیشترین شباهت، ماشین بردار پشتیبان، شبکه های عصبی و جنگل تصادفی، خروجی نتایج براساس آنالیز عدم قطعیت در ترکیبات مختلف طبقه بندی کننده ها( ترکیبات دوتایی، سه تایی، چهارتایی )، با هم ترکیب شدند. در این بین ترکیب چهارتایی (ML، SVM، NN، RF )، نسبت به ترکیبات دوتایی و سه تایی طبقه بندی کننده های مختلف و نیز طبقه بندی کننده های منفرد دارای دقت بهتری می باشد بطوریکه برای طبقه بندی کننده های بیشترین شباهت، ماشین بردار پشتیبان، شبکه های عصبی، جنگل تصادفی و روش پیشنهادی ترکیب در حالت ترکیب چهارتایی، بهرتریب دقت کلی برابر 77.95%، 80.01%، 79.70%، 80.56% و 83.98% حاصل شد. در پایان روش پیشنهادی ترکیب (حالت چهارتایی) با روش های ترکیب سنتی ماکزیمم، مینیمم، میانگین هندسی، میانگین حسابی، رای اکثریت و نیز ترکیب بر اساس دقت تولید کننده مقایسه شد؛ بطوری که به ترتیب دقت کلی معادل 80.11%، 80.94%، 82.14%، 81.14%، 81.92%، و 79.94% به دست آمد. مقایسه دقت روش پیشنهادی بیانگر برتری این روش نسبت به روش های دیگر می باشد. با توجه به نتایج، روش پیشنهادی ترکیب می تواند منجر به افزایش دقت طبقه بندی کننده ها شود.

کلیدواژه ها:

الگوریتم بیشترین شباهت ، ماشین بردار پشتیبان ، شبکه های عصبی ، جنگل تصادفی ، آنالیز عدم قطعیت