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.
 

 این مکانیسم یادگیری دو مرحله‌ای برای دسته‌بندی چند کلاسه که از برنامه ریزی ژنیتکی بهره می برد. زمانیکه این روش با روش‌های تجزیه دوتایی یا یکی مقایسه می‌شود نتایج بهتری به بار می‌آورد. این به خاطر این حقیقت است که روش تجزیه دوتایی دارای موقعیت‌های متعارض است که یک نقص محسوب می‌گردد. از طرفی، ما از یک مقیاس شایستگی استفاده کرده‌ایم که از دسته‌بندی کننده‌های بادقت و نتایج و خروجی هایی با ناسازگاری و اختلاف کمتر حمایت می‌کند. این روش و متد پیشنهادی محاسبه مورد نیاز برای رفع ناسازگاری یا اختلاف طی پروسه دسته‌بندی را کاهش می‌دهد. این متد نتایج امیدوار کننده‌ای در مورد مشکلات معیار حاصل از مخزن UCI ML در اختیار گذاشته‌است. کارها بعدی که در پایان این مقاله ذکر شده بود شامل کاوش بیشتر این متد برای استفاده در مورد مشکلات پیچیده‌تر و کاهش پیچیدگی زمانی مربوط به تعداد بیشتر سیرهای تکاملی GP‌، خواهد بود.

لینک دانلود