• هرس دسته بند تجمیعی با استفاده از انتخاب پیشروانه الگوریتم جستجوی ممنوعه

    جزئیات بیشتر مقاله
    • تاریخ ارائه: 1392/07/24
    • تاریخ انتشار در تی پی بین: 1392/07/24
    • تعداد بازدید: 947
    • تعداد پرسش و پاسخ ها: 0
    • شماره تماس دبیرخانه رویداد: -
    هرس تجمیع یکی از موثرترین عملیات برای افزایش عملکرد پیش بینی و کاهش سربار محاسباتی روش های تجمیعی در حیطه یادگیری ماشین است. این عملیات که یکی از مسائل np-complete می باشد، توجه محققان زیادی را در این حیطه به خود جلب کرده است. در این مقاله، یک روش هرس دسته بند تجمیعی جدید پیشنهاد می شود که با استفاده از انتخاب پیشروانه الگوریتم های جستجوی ممنوعه، بهترین مدل ها را به صورت گام به گام از تجمیع اولیه انتخاب می کند تا در انتها بهترین زیرمجموعه از آن به دست آید. به علاوه در این روش، یک استراتژی جدید و اثرگذار با نام "فراموشی دوره ای" که خاص لیست ممنوعه است، پیشنهاد می شود. روش پیشنهادی با دو روش پیشرفته مشابه برای هرس یک تجمیع اولیه ناهمگن و روی 10 مجموعه داده استاندارد، مورد مقایسه و ارزیابی قرار می گیرد. این آزمایش ها براساس معیار دقت تجمیع هرس شده، اندازه آن و میانگین زمان اجرا تحلیل می شوند. نتایج آزمایش ها نشان می دهد که روش پیشنهادی در مقایسه با دو روش مشابه، به طور میانگین منتهی به 3.069% بهبود دقت می شود. به علاوه، روش پیشنهادی در کاهش اندازه تجمیع اولیه و یافتن مدل های دقیق تر آن، موفق تر است که یکی از دلایل این امر می تواند وقت بیشتری باشد که برای جستجوی مدل ها صرف می کند.

سوال خود را در مورد این مقاله مطرح نمایید :

با انتخاب دکمه ثبت پرسش، موافقت خود را با قوانین انتشار محتوا در وبسایت تی پی بین اعلام می کنم
مقالات جدیدترین رویدادها