دسته بندی خودآموز نیمه نظارتی بر مبنای محاسبات کوانتومی

امروزه د ر دنیای واقعی حجم عظیمی از داده ها، بدون برچسب و مقدار اندکی از آ نها برچسب دار هستند. از این رو برچسب دار کردن داده های بدون برچسب یكی از چالش های حائز اهمیت در بسیاری از کاربردهای عملی به شمار می رود. یادگیری نیمه نظارتی یكی از روش های یا دگیری ماشین می باشد که به صورت همزمان هم از داده های بدون برچسب و هم از داده های برچسب دار برای حل اینمشكل استفاده می کند. یكی از روش های یادگیری نیمه نظارتی، روش دسته بندی خودآموز نیمه نظارتی م یباشد که در آن ابتدا دسته بند توسط داده های برچسب دار آموزش دیده و سپس از پیش بینی های خود برای آموزش خود استفاده می کند. در این مقاله از معادله ی مبتن یبر فاصله ی شرودینگر به همراه روش دسته بندی خودآموز نیمه نظارتی استفاده شده است و با به کارگیری همسایه هایطبیعی نقاط داده، ساختار فضای داده به گون های شكل یافته است که دسته بند دقت بهتری در دسته بندی نقاط بدون برچسب داشته و از توانایی شناسایی نقاط دور افتاده برخوردار باشد. همچنین الگوریتم، مستقل از پارامترهای اولیه در تعیین همسایگی، نحوه ی توزیع داده ها و میزان داده های برچسب دار بوده و تاثی رپذیری کمتری نسبت به داده های نویزی داشته باشد . آزمایش های انجا مشدهبر روی پایگاه داده های استاندارد، نشان دهنده عملكرد مورد انتظار روش پیشنهادی است

Keywords:

دسته بندی خودآموز نیمه نظارتی , ساختار فضای داده , کوانتوم