بهینه سازی طبقه بندی با کمک جستجوی محلی در ممتیک
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 456
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NPECE01_200
تاریخ نمایه سازی: 6 بهمن 1395
چکیده مقاله:
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:
نویسندگان
مینا نیک زاد
دانشجوی کارشناسی ارشد مهندسی کامپیوتر هوش مصنوعی دانشگاه آزاد اسلامی کرمان ایران
حمید میروزیری
هیات علمی بخش مهندسی کامپیوتر دانشگاه شهید باهنر و آزاد کرمان 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 :