ایجاد طبقهبند مبتنی بر یادگیری جمعی با استفاده از خوشهبندی و معیارشباهت فازی

Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 677

This Paper With 6 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICS12_041

تاریخ نمایه سازی: 11 مرداد 1393

Abstract:

در این مقاله، یک روش جدید مبتنی بر خوشهبندی برای ایجاد طبقهبند مبتنی بر یادگیری جمعی ارائه شده است. در روش پیشنهادی،ابتدا مرکز خوشه ها با یک الگوریتم خوشه بندی محاسبه می شود و سپس با استفاده از یک معیار شباهت فازی، خوشههای فازیتعریف میشود. یک نمونه داده با یک درجه عضویت به هر خوشه فازی تعلق خواهد داشت. از این درجه عضویت می توان برای تخصیص یک وزن به هر نمونه در خوشه های مختلف استفاده کرد. به ازای هر خوشه فازی یک طبقه بند آموزش داده میشود کهدادههای آموزشی آن با توجه به وزن داده ها در آن خوشه فازی و با استفاده از یک روش نمونه برداری با جایگذاری وزن دار ادتخابمیشودد. برای پیشبینی نمونه جدید، تصمیمهای طبقهبندههای پایه با استفاده از روش رای اکثریت وزندار ترکیب میشودد. روش پیشنهادی با ایجاد زیرمجموعههای آموزشی با همپوشانی و دردظرگرفتن معیار شباهت بین نمونه ها باعث افزایش دقتو طبقهبندی میشود. کارایی روش پیشنهادی با سایر روشهای ایجاد طبقهبند مبتنی بر یادگیری جمعی مانندboosting ،bagging یک روش مبتنی بر خوشهبندی مقایسه شده است. دتایج تجربی نشان میدهد که اسهتفاده از معیار شباهت فازی برای ایجاد زیرمجموعه های مختلف داده های آموزشی در هنگاس ساخت طبقه بند مبتنی بر یادگیری جمعی از روشهای خوشهبندی بدون همپوشانی بهتر است

Keywords:

طبقه بند مبتنی بر یادگیری جمعی , خوشه بندی , معیار شباهت فازی

Authors

سجاد غلامی

دانشجو، بخش مهندسی کامپیوتر، دانشگاه شهید باهنر کرمان ، کرمان،

مهدی افتخاری

استادیار و عضو هیات علمی دانشگاه، بخش مهندسی کامپیوتر، دانشگاه شهید باهنر کرمان ، کرمان ،

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • Polikar, R., Ensemble based systems in decision making, Circuits and ...
  • Breiman, L, Bagging Predictors, Mach. Learn., Vol. 24, No. 2, ...
  • Breiman, L, Random forests, Machine learning, Vol. 45, No. 1, ...
  • Ho, T. K. The random subspace method for constructing decision ...
  • Schapire, R.E., The Strength of Weak Learnability, Machine Learning, Vol. ...
  • Generalization of On-line Learning and an Application to Boosting, Journal ...
  • Rahman, A.. Verma, B., Cluster-based Ensemble of Classifiers, Expert Systems, ...
  • Rokach, L., Maimon, O., Lavi, I., Space Decomposition in Data ...
  • Eschrich, S., Hall, L.O., Soft partitions lead to better learned ...
  • Jensen, R., Shen, Q., New approaches to fuzzy-rough feature selection, ...
  • Zhang, H., Lu, J., Creating ensembles of classifiers via fuzzy ...
  • LIBSVM, A Library for Support Vector Machines. _ _ //www. ...
  • Doksum, K., Robust Procedures for Some Linear Modes with one ...
  • Garcia, S., Fernandez, A. Luengo, J., Herrera, F., Advanced Nonparametric ...
  • نمایش کامل مراجع