یادگیری دو مرحله ای برای طبقه بندی چند طبقه ای با استفاده از برنامه نویسی ژنتیک

Two-stage learning for multi-class classification using genetic programming

یادگیری دو مرحله ای برای طبقه بندی چند طبقه ای با استفاده از برنامه نویسی ژنتیک

این مقاله به معرفی یک استراتژی دو مرحله‌ای برای طبقه‌بندی مشکلات چند قشری می‌پردازد. تکنیک پیشنهاد شده عبارت است از توسعه روش سنتی تجزیه دوتایی سنتی. در مرحله اول، دسته‌بندی کننده‌ها برای هر دسته در مقابل دسته‌های باقیمانده، آموزش داده می‌شوند. یک مقیاس شایستگی ارزش اصلاح شده برای انتخاب متمایز کنندهای خوب برای داده‌های نامتعادل استفاده می‌شود. در مرحله دوم، دسته‌بندی کننده‌ها با هم ادغام می‌شوند و به عنوان یک کرومزوم منفرد تلقی می‌شوند که می‌تواند هر یک از دسته‌های حاصل از مجموعه داده‌ها را دسته‌بندی نماید. یک جمعیتی از این چنین کرومزوم دسته‌بندی کننده از طریق دسته‌بندی کننده‌ای خوب (برای هر طبقه منفرد) از مرحله اول بدست می‌آید. این جمعیت با یک شایستگی که دقت و ناسازگاری‌ها را با هم ترکیب می‌کند، بیشتر رشد می‌کند. این متد پیشنهادی ترکیب و ادغام دسته‌بندی کننده را با تمایز خوب بین همه دسته‌ها تقویت می کند و ناسازگاری‌های کمتری را رقم می‌زند. این یادگیری دو مرحله‌ای روی چندین مجموعه‌داده تست شده و نتایج حاصل از آن دلگرم کننده تشخیص داده شده‌اند.
 

GPF-CLASS: یک سیستم فازی ژنتیکی بر اساس برنامه نویسی ژنتیک برای مشکلات طبقه بندی

GPFIS-CLASS: A Genetic Fuzzy System based on Genetic Programming for classification problems

GPF-CLASS: یک سیستم فازی ژنتیکی بر اساس برنامه نویسی ژنتیک برای مشکلات طبقه بندی

سیستم‌های فازی ژنتیکی (GFS) مدل‌هایی هستند که توانایی همگام کردن دقت و قابلیت درک بالا در نتایج خود را دارند. در مورد GFS های ایجاد شده برای دسته‌بندی، بیشتر بر بهبود اصل "ژنتیک" تاکید دارد تا اصل "فازی" بودن. تمرکز این مقاله بر جزء استنتاج فازی و به کارگیری سیستمی کارامد و تفسیر پذیرتر بر سیستم استنتاج فازی برنامه نویسی ژنتیکی مذکور را (GPFIS – CLASS) ارائه می‌دهد. این مدل مبتنی بر برنامه‌نویسی ژنتیکی چند ژنی است و هدف آن کشف عناصر سیستم استنتاج فازی می‌باشد. ویژگی های GPFIS – CLASS بدین شرح است: (الف) این سیستم قوانین فازی‌ای را ایجاد می کند که قضیه‌ی به کارگیری تی-نورم، تی-کونورم، نفی و عملکرد موانع زبانی را اثبات می کند. (ب) آن را با هر یک از قوانینی که دوره‌ی مناسب بعدی را اثبات می‌کند مرتبط می‌سازد و (ج) فرایند تراکم را با استفاده از میانگین وزن شده که با مجذور حداقل محدود محاسبه شده بهبود می‌بخشد. این امر طی دو مجموعه معیار مختلف که شامل 45 پایگاه داده می‌باشد مورد ارزیابی قرار داده و با هشت دسته کننده‌ی مختلف که شش مورد از آن ها مبتنی بر gfs ها بوده‌اند مقایسه کرده است. نتایج بدست آمده از هر دو مجموعه بیانگر این است که GPFIS – CLASS در اکثر دیتاست‌های مرجع نتایج بهتری از خود نشان داده است.