بهینه سازی طبقه بندی با کمک جستجوی محلی در ممتیک

طبقه بندی یک روش یادگیری با ناظر است و ماشین بردار پشتیبان یک روش طبقه بندی معروف و قدرتمند با کاربردهای بسیار متنوع می باشد تنظیم بهینه پارامترهای ماشین بردار پشتیبان نقش مهمی در عملکرد دقت طبقه بندی دارد انجام فرایند انتخاب ویژگی هم می تواند باعث افزایش دقت کلاسیفایر ماشین بردار پشتیبان شود الگوریتم ممتیک با ترکیب دو روش جستجوی سراسری و محلی موجب همگرایی و کاوش بهتر الگوریتم در محیط می شود بر این اساس روش پیشنهادی یک الگورییتم ممتیک ترکیبی مبتنی بر ACOR-SVM ارائه شده است که جست و جوی آشوب گونه یک جست و جوی محلی با تاثیر سراسری برای بهینه سازی متغیرها بر روی دامنه مساله ای است در این مسئله دو پارامتر که متغیرهای ماشین بردار پشتیبان هستند وجود دارند که بوسیله الگوریتم مورچگان بهبود داده شده اند و همچنین جست و جوی آشوب گوونه در جهت افزایش دقت و بهینه سازی وزن های ماشین بردار پشتیبان نقش مهمی دارد سه دیتاست از پایگاه داده UCI برای ارزش الگوریتم ترکیبی پیشنهادی از نظر دقت طبقه بندی استفاده شده است و نتایج بدست امده در مقابل الگوریتم های ترکیبی SVM_PSOوGA _SVMوACOR-SVM و روش Grid-search از نظر دقت طبقه بندی نتایج بهتری را ارائه داده اند

کلیدواژه ها:

الگوریتم ممتیک ، جستجوی محلی ، ماشین بردار پشتیبان ، تئوری آشوب