ش | ی | د | س | چ | پ | ج |
1 | 2 | |||||
3 | 4 | 5 | 6 | 7 | 8 | 9 |
10 | 11 | 12 | 13 | 14 | 15 | 16 |
17 | 18 | 19 | 20 | 21 | 22 | 23 |
24 | 25 | 26 | 27 | 28 | 29 | 30 |
31 |
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.