تحلیل عملکرد الگوریتم‌های پارامتریک و غیرپارامتریک یادگیری ماشین در مسئله طبقه‌بندی چندکلاسه

تحلیل عملکرد الگوریتم‌های پارامتریک و غیرپارامتریک یادگیری ماشین در مسئله طبقه‌بندی چندکلاسه

مهزیار قائدی1 آرمان گله داری2 مهدی مقیمی3

1) 1- دانشجوی دکتری، دانشگاه علم و صنعت ایران، دانشکده مهندسی مکانیک، گرایش تبدیل انرژی،
2) 2- دانشجوی کارشناسی ارشد، دانشگاه علم و صنعت ایران، دانشکده مهندسی مکانیک، گرایش تبدیل انرژی،
3) 3- دانشیار، دانشگاه علم و صنعت ایران، دانشکده مهندسی مکانیک، گرایش تبدیل انرژی،

کد IOI مقاله : ABEB-ABKCDD
محل انتشار : چهارمین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com)
چکیده :
    در این پژوهش، طبقه‌بندی چندکلاسه مجموعه‌داده‌ای شامل 1000 نمونه، 9 ویژگی و 3 کلاس با استفاده از روش‌های مختلف یادگیری ماشین بررسی شد. داده‌ها پس از استانداردسازی به مجموعه‌های آموزش و اعتبارسنجی تقسیم شده و الگوریتم‌های حداکثر احتمال، بیزین، فاصله اقلیدسی، ماهالانوبیس، KNN، WKNN و ماشین بردار پشتیبان ارزیابی شدند. عملکرد مدل‌ها با معیارهای دقت، Precision، Recall، F1 و اعتبارسنجی متقابل بررسی شد. نتایج نشان داد روش حداکثر احتمال با دقت 84.67 درصد و F1 برابر 0.7612 بهترین عملکرد را داشته، در حالی‌که روش ماهالانوبیس ضعیف‌ترین نتیجه را ارائه داده است. همچنین مدل‌های غیرپارامتریک و ماشین بردار پشتیبان عملکرد قابل قبولی نشان دادند. در نهایت، مدل‌های آموزش‌دیده برای طبقه‌بندی داده‌های بدون برچسب نیز به‌کار گرفته شدند. نتایج نشان داد که ساختار آماری داده‌ها و میزان هم‌پوشانی کلاس‌ها تأثیر مهمی بر عملکرد طبقه‌بندی داشته و انتخاب مناسب الگوریتم می‌تواند موجب افزایش دقت و پایداری سیستم‌های چندکلاسه شود.

کلمات کلیدی : یادگیری ماشین روش¬های پارامتریک روش¬های غیرپارامتریک کلاس¬بندی اعتبارسنجی آموزش