یک الگوریتم انتخاب نمونه مبتنی بر کشف الگوهای فازی نادر برای بهبود عملکرد دسته بندی

روش های انتخاب نمونه به دنبال کاهش نیازمندی های حافظه، بهبود عملکرد دسته بندها و کاهش زمان محاسباتی برای الگوریتم های یادگیری مبتنی بر نمونه هستند. اکثر این روش ها، تلاش می کنند بهترین زیرمجموعه از نمونه ها را برای الگوریتم های یادگیری ماشین، انتخاب کنند. ما در این مقاله، یک روش انتخاب نمونه را معرفی می کنیم که FFP-IS نام دارد. این روش مبتنی بر الگوهای فازی نادر است که در نمونه های مرزی قرار دارند. هدف اصلی این الگوریتم این است که نمونه های نزدیک به مرز تصمیم گیری بین کلاس ها حفظ و سایر نمونه ها حذف شوند. ما روش پیشنهادی را با تعدادی از معروف ترین الگوریتم های انتخاب نمونه مورد مقایسه قرار داده ایم. برای ارزیابی عملکرد روش پیشنهادی از الگوریتم دسته بند KNN استفاده شده است. در آزمایش های انجام شده، تعدادی از مجموعه داده های موجود در مخزن داده ای UCI را موردبررسی قرار داده ایم.نتایج به دست آمده نشان می دهد که روش پیشنهادی حدود 90 درصد از نمونه های هر مجموعه داده را کاهش می دهد و دارای بهترین میانگین دقت نسبت به سایر روش ها است. در واقع می توان گفت این روش، نمونه های مرزی مناسب را انتخاب می کند.

Keywords:

انتخاب نمونه , دسته بندی , الگوهای فازی , نمونه های مرزی