3-1- مقدمه بسیاری از تصمیم گیرندگان با محیط هایی سرشار از استرس، به شدت رقابتی، با گام سریع و انبوه از اطلاعات مواجه هستند. ترکیب اینترنت که دسترسی سریع به منابع را فراهم می سازد و پیشرفت تکنیک های مختلف هوش مصنوعی، امکان حمایت از روند اخذ تصمیم در شرایط پرمخاطره و غیرقطعی را فراهم […]
در راستای مقایسه بازدهی الگوریتم پیشنهادی با دیگر الگوریتم های مشهور، تست های آماری مانند paired t-test، Wilcoxon و Friedman بکار گرفته شده اند. تست های آماری t-test و Wilcoxon برای مقایسه دو کلاسه بند بر روی مجموعه ای از داده ها بکار می روند، در حالیکه تست آماری Friedman با post-hoc متناظر برای مقایسه
الگوریتم AdaBoost، یک روش یادگیری جمعی است و معروف‌ترین الگوریتم از خانواده الگوریتمهای Boosting است که توسطFreund و Schapire [24] ارائه شده است. در الگوریتم های یادگیری جمعی، یک نمونه توسط چندین کلاسه بند مختلف کلاسه بندی می شود و نتایج کلاسه بندی ها به شکل هوشمندانه ای با یکدیگر ترکیب شده و نتیجه نهایی
کلاسهبند C4.5 [22]، نوعی درخت تصمیم بوده که توسط Ross Quinlan در سال 1993 ارائه شده است. این الگوریتم نوع ارتقا یافته الگوریتم قبلی Quinlan یعنی ID3 بوده که برای کلاسهبندی مفید است. C4.5 با نمونه های آموزشی، یک درخت تصمیم همانند ID3 با استفاده از مفاهیم تئوری اطلاعات[1] [53] میسازد و از رابطه جداسازیِ[2]
الگوریتم ژنتیک روشی است برای بهینه سازی مسائل محدود و نامحدود و بر اساس فلسفه انتخاب اصلح در طبیعت بنا شده است. الگوریتم ژنتیک به صورت تکراری جمعیتی از راه حل ها را اصلاح می کند. در هر مرحله ، الگوریتم ژنتیک تعدادی از افراد را به صورت تصادفی از جمعیت کنونی انتخاب می کند
ارزیابی دقت الگوریتمهای چندکلاسه، به علت تعداد زیاد مجموعه داده‌های مورد آزمایش و تعداد متنوع روش‌های اعمال شده و همچنین خصوصیات مجموعه داد‌ه‌ها که هم شامل داده‌های متوازن و هم داده‌های نامتوازن می‌شود ، نیاز به اتخاذ روش‌های پیچیده‌ای دارد. در حوزه مسائل چندکلاسه، به طور مرسوم، تنها دقت بدست آمده از دسته‌بندی به عنوان
در بسیاری از مواقع، یک دسته‌بندی‌کننده سريال تنها نمی تواند همه تغییر‌پذیری‌های[1] ممکن درون‌کلاسی[2] را برای کلاس هدف مدیریت کند [49]. در نتیجه، عمومیت[3] دسته‌بندی‌کننده سريال در مواجهه با مجموعه داده‌های پیچیده، به خطر می‌افتد. برای رفع این مشکل، یکی از راه حل‌های موجود، شکستن مساله به زیر مساله های کوچک‌تر است. همان‌گونه که قبلا ذکر
الگوریتم AdaBoost.ECC، از بسیاری جهات شبیه AdaBoost.OC است. تفاوت اصلی این دو الگوریتم این است که، AdaBoost.ECC ارزش را بر اساس شبه خطا در هر دور از اجرای الگوریتم، محاسبه نمی‌کند؛ بلکه و را که به ترتیب نشان‌دهنده رای‌های مثبت و منفی فرضیه در مساله دوکلاسه است را در هر دور محاسبه می‌کند. بر اساس
الگوریتمهای AdaBoost.OC و AdaBoost.ECC، قوانین روش ECOC را با یادگیری جمعی تقویتی ادغام کرده و به کمک این استراتژی، توانسته‌اند بر معایت روش AdaBoost.M2 فائق آیند. روش‌های یادگیری تقویتی مبتنی بر ECOC، به طور تکرار شونده، ستون‌های ماتریس کدگذاری را تولید می‌کنند به طوری که اغتشاش[1] میان کلاس‌ها در هر دور اجرای الگوریتم تقویتی، کاهش
رایج‌ترین تکنیک‌های تجزیه کلاسی، روش‌های یکی-در مقابل-یکی[1] (OAO) و یکی-در مقابل-همه[2] (OAA) است [27,28]. [1] One-against-one [2] One-against-all یکی-در مقابل-همه(OAA) روش یکی-در مقابل-همه، k دسته بندی کننده را برای یک مساله k–کلاسه میسازد. هر دسته‌بندی‌کننده برای شناختن یک کلاس در مقابل سایر کلاس‌ها آموزش داده می‌شود. در زمان بازیابی[1]، خروجی ایده آل آن است که