• افزایش کارایی الگوریتمهای کلاسترینگ مبتنی بر روش یادگیری تقویتی

    جزئیات بیشتر مقاله
    • تاریخ ارائه: 1386/01/01
    • تاریخ انتشار در تی پی بین: 1386/01/01
    • تعداد بازدید: 1284
    • تعداد پرسش و پاسخ ها: 0
    • شماره تماس دبیرخانه رویداد: -
    یک الگوریتم خوشه بندی، نمونه های موجود در یک فضای داده را بر اساس ویژگی هایشان به گروههای متمایز دسته بندی می کند. ار آنجا که نمونه ها هیچ گونه اطلاعاتی در ارتباط با کلاس واقعیشان به همراه ندارند، تکنیک خوشه بندی جزء روشهای یادگیری بدون ناظر قلمداد می شود. روشهای زیادی برای بهبود کارایی تکنیکهای خوشه بندی ارائه شده اند. یکی از روشهای نوین پیشنهاد شده، استفاده از ایده یادگیری تقویتی برای ارتقاء کارایی روشهای خوشه بندی متداول است. یادگیری تقویتی بین دو روش یادگیری با ناظر و بدون ناظر طبقه بندی می شود. در این حالت اگر چه نمونه ها برچسب کلاس ندارند، ولی به ازای دسته بندی مطلوب یا نامطلوب نمونه ها، از سوی محیط یادگیری تقویتی، پاداش یا تنبیه متناسب با آن دسته بندی دریافت می شود. در این مقاله نیز از ایده یادگیری تقویتی برای افزایش کارایی الگوریتم خوشه بندی k-means استفاده شده است. نوآوری به کار رفته در این مقاله استفاده از الگوریتم ژنتیک به موازات روش یادگیری تقویتی با هدف افزایش هر چه بیشتر کارایی الگوریتم خوشه بندی k-means می باشد. نتایج به دست آمده حاکی از آن است که استفاده از الگوریتم ژنتیک به موازات روش یادگیری تقویتی در مقایسه با شیوه های متداول استفاده از روش یادگیری تقویتی، تاثیر بیشتری در افزایش کارایی الگوریتمهای خوشه بندی دارد.

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
مقالات جدیدترین ژورنال ها