بهبود دقت شبکه عصبی مصنوعی چندلایه در طبقه بندی با الگوریتم اره ماهی

در بیشتر مسائل پیرامون ما نیاز است که داده ها و نمونه ها طبقه بندی شوند و یکی از شیوه های طبقه بندی داده ها استفاده از الگوریتم های داده کاوی و یادگیری ماشین مانند شبکه عصبی مصنوعی است. چالش مهم برای طبقه بندی کاهش ورودی یادگیری با استفاده از انتخاب ویژگی است که اگر با دقت انجام نشود آنگاه خطای طبقه بندی افزایش خواهد یافت.در این مقاله برای طبقه بندی بهینه در کاربردهای مانند تشخیص هرزنامه و فیشینگ از الگوریتم بهینه سازی اره ماهی به عنوان یک روش انتخاب کننده ویژگی در ترکیب با شبکه عصبی مصنوعی معرفی شده است. در روش پیشنهادی هر بردار ویژگی یک عضوالگوریتم بهینه سازی اره بودند و توسط این الگوریتم، بهینه ترین بردار ویژگی با حداقل خطا و تعداد ویژگی برای تشخیص هرزنامه و صفحات فیشینگ انتخاب می شود. پیاده سازی روش پیشنهادی بر روی مجموعه داده Spambase و فیشینگ در نرم افزار متلب نشان می دهد خطای RMSE روش پیشنهادی برای تشخیص فیشینگ و هرزنامه به ترتیب برابر 0.126 و 0.143 است و نسبت به شبکه عصبی چند لایه، شبکه عصبی بازگشتیف درخت تصمیم گیری و ماشین بردار پشتیبان خطای کمتری دارد. آزمایشات نشان می دهد که متوسط خطای روش پیشنهادی و تابع هدف انتخاب ویژگی برحسب تکرار الگوریتم بهینه سازی اره ماهی کاهش می یابد و از طرفی نتایج نشان می دهد روش پیشنهادی برای تشخیص فیشینگ و هرزنامه به ترتیب 0.126 و 0.143 است و نسبت به شبکه عصبی چند لایه، شبکه عصبی بازگشتی، درخت تصمیم گیری و ماشین بردار پشتیبان خطای کمتری دارد. ازمایشات نشان می دهد که متوسط خطای روش پیشنهادی و تابع هدف انتخاب ویژگی برحسب تکرار الگوریتم بهینه سازی اره ماهی کاهش می یابد و از طرفی نتایج نشان می دهد روش پیشنهادی برای تشخیص فیشینگ و هرزنامه از الگوریتم بهینه سازی وال، الگوریتم بهینه سازی کفتار و الگوریتم بهینه سازی ملخ خطای کمتری دارد.

Keywords:

انتخاب ویژگی , داده کاوی , یادگیری ماشین , الگوریتم هوش گروهی