ارائه یک طبقه بند جدید در داده کاوی به منظور افزایش سرعت و دقت

ارائه یک طبقه بند جدید در داده کاوی به منظور افزایش سرعت و دقت

زینب احمدمهرابی1

1) دانشجوی کارشناسی ارشد

کد IOI مقاله : XYCZ-AAECC
محل انتشار : کنفرانس بین المللی مهندسی و علوم کاربردی(iceasconf.com)
چکیده :
    در این مقاله الگوریتم های طبقه بندی را بر روی داده های متفاوت از لحاظ سرعت و دقت بررسی می کنیم . برای افزایش دقت مدل¬های پیش¬بینی، روش امیدبخشی تحت عنوان آموزش گروهی معرفی شده است. این روش براساس ترکیب نتایج حاصل از مدل¬های مختلف پیش¬بینی شکل گرفته است. در مقاله دو مدل پیشنهادی ارائه شده است که در یک مدل از آموزش مدل با استفاده از مجموعه داده¬هایی که شامل زیر مجموعه ویژگی¬ها می¬باشند استفاده شده است با دو مدل داده ای الگوریتم ژنتیک و جنگل و در مدل پیشنهادی دوم از ترکیب آموزش شبکه عصبی با الگوریتم¬های فراابتکاری و مدل پیشنهادی اول برای تولید مجموعه داده¬های آموزشی استفاده نموده¬ایم. در واقع در این مدل دو فرآینده مجزا قرار دارند. یک فرآیند برای تولید مجموعه¬های آموزشی متفاوت و فرآیند دیگر وظیفه آموزش شبکه عصبی با استفاده از الگوریتم¬های فراابتکاری را برعهده دارد. در مدل ها از الگوریتم ژنتیک و الگوریتم جنگل بعنوان دو الگوریتم فراابتکاری معروف در جهت تولید مجموعه¬های آموزشی استفاده کرده¬ایم. پارامترهای تاثیر گذار بر روی طبقه بندی داده ها در هر دو مدل و معیارهای ارزیابی مدل ها حساسیت (TPR) ،شفافیت (TNR) ، صحت و دقت می باشد ؛ در آزمایشات و تستهای انجام شده به علت حجم زیاد داده ها به سه معیار مهم دقت ، صحت و حسایت پرداخته شده است . در الگوریتم ژنتیک پارامترهای مختلفی داریم که سه پارامتر پس از تست به صورت برش در محدوده ] [0.,7-1 ، جهش مقدار ناچیز کمتر از 0.15 در نظر گرفته شده است . پارامترهای تاثیر گذار در الگویتم جنگل نرخ بذرافشانی محلی [ 2- 4] و بذرافشانی سراسری در محدوده] 2-1 [ تعیین شده است . برای هر ترکیب میانگین 40 بار اجرا را انجام شده است . داده های مورد بررسی از مرجع دادهای یادگیری ماشین KDD وUCI انتخاب شده اند .

کلمات کلیدی : داده کاوی طبقه بندی دقت شبکه های عصبی الگوریتم ژنتیک الگوریتم جنگل