نرگس سادات بطحائیان - عضو هیئت علمی گروه فنی و مهندسی کامپیوتردانشگاه بوعلی سینا، همدان
سوسن السادات بطحائیان - وزارت آموزش و پرورش، همدان

در میان بسیاری از عوامل، مناطق همپوشانی بین دو کلاس ممکن است بر درصد دقت یک مشکل طبقه بندی تاثیر بگذارد.کمی کردن ناحیه همپوشانی به دانشمندان کمک می کند تا در مورد کیفیت داده ها تصمیم بگیرند. با این وجود، هیچ توافقیروی یک معیار وجود ندارد. در این مقاله معیار بر اساس توزیع احتمال معرفی خواهد شد. معیار معرفی شده ما از این تعریفپیروی می کند که همه نمونه ها در یک ناحیه همپوشانی را میتوان به بیش از یک کلاس با احتمال یکسان اختصاص داد.بنابراین، نمونه های دو یا چند کلاس توزیع احتمال مشابهی دارند. همچنین یک الگوریتم اندازه گیری نیز توسعه دادیم. ماالگوریتم خود را روی یک مجموعه از مجموعه های داده مصنوعی با توزیع یکنواخت و همپوشانی های کلاسی مختلف بررسیکردیم. نتایج نشان می دهد که این معیار بیش از ۸۰ درصد مناطق همپوشانی را در مجموعه داده های مصنوعی پیدا می کند.ماهمچنین آزمایش هایی را روی مجموعه ای از مجموعه داده های واقعی انجام دادیم. در همه مجموعه های داده، نسبتهمپوشانی محاسبه شده کمتر از خطای طبقه بندی است، که تاییدی است بر اینکه روش ما با تعریف منطقه همپوشانی کلاسهمبستگی دارد.

همپوشانی کلاس، توزیع یکنواخت، طبقه بندی، آزمون Kolmogorov-Smirnov، آزمون .Fasano-Franceschini