پیشبینی کانفورمال شرطی بر کلاس برای مدلهای بنیادین جدولی در دادههای کمحجم
پیشبینی کانفورمال شرطی بر کلاس برای مدلهای بنیادین جدولی در دادههای کمحجم
رهام مرشد1
1) دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه آزاد شیراز
کد IOI مقاله
:
AAHD-ABKKEC
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
پیشبینی کانفورمال چارچوبی است که به جای یک برچسب، مجموعهای از برچسبهای محتمل بازمیگرداند و تضمین میکند برچسب درست با احتمالی از پیش تعیینشده درون آن مجموعه قرار دارد؛ تضمینی که به هیچ فرض توزیعی نیاز ندارد و در نمونه متناهی برقرار است. هدف پژوهش حاضر، ارزیابی نظاممند این چارچوب روی مدلهای بنیادین جدولی در رژیم داده کمحجم و معرفی گونهای بهبودیافته برای دادههای نامتوازن بود. روش پژوهش یک مطالعه تجربی کامل عاملی بر 15 مجموعه داده طبقهبندی از پایگاه OpenML، چهار مدل پیشبین، هشت رویه کانفورمال، سه تابع ناهمخوانی، سه سطح خطای مجاز و 20 بذر تصادفی بود که در مجموع 14544 سلول آزمایشی و 130896 سطر نتیجه بدون هیچ سلول ناموفق تولید کرد و صحت پیادهسازی آن با 147 آزمون درستی تایید شد. یافته اصلی آن است که شاخص رایج پوشش کلی روی داده نامتوازن گمراهکننده است: روی مجموعه دادهای با نسبت نامتوازنی 10.74، رویههای متعارف پوشش کلی 90 درصد گزارش کردند در حالی که کلاس اقلیت را تنها 3.6 درصد مواقع پوشش میدادند. گونه شرطی بر کلاس پیشنهادی، پوشش کلاس اقلیت را به 92.9 درصد رساند، شکاف پوشش میان کلاسها را بهطور میانگین 83 درصد کاهش داد و در 20 مورد از 20 ترکیب آزمودهشده برنده شد، آن هم با مجموعههای پیشبینی بهمراتب کوچکتر از گونه متعارف (1.3308 در برابر 1.8746). افزون بر این، گونه مبتنی بر اعتبارسنجی متقاطع نوسان پوشش را 21 درصد کاهش داد بدون آنکه اندازه مجموعه پیشبینی افزایش یابد، و این برتری تا اندازه نمونه آموزشی 800 پایدار ماند. سرانجام، پروفایل هزینه محاسباتی این رویهها برای مدلهای بنیادین جدولی برای نخستین بار اندازهگیری و سازوکار آن تبیین شد.
کلمات کلیدی : پیشبینی کانفورمال مدلهای بنیادین جدولی پوشش شرطی بر کلاس کمیسازی عدمقطعیت دادههای نامتوازن